南京做网站的公司有哪些,网站QQ互联教程,做的网站能撤掉吗,深圳优化公司排名目录 一、卷积神经网络概述#xff1a;1.卷积层#xff1a;1.1卷积核与神经元#xff1a;1.2卷积层作用#xff1a;1.3多输出通道概念#xff1a; 2.池化层#xff1a;2.1池化层作用#xff1a; 3.隐藏层与卷积层、池化层关系#xff1a; 一、卷积神经网络概述#xf… 目录 一、卷积神经网络概述1.卷积层1.1卷积核与神经元1.2卷积层作用1.3多输出通道概念 2.池化层2.1池化层作用 3.隐藏层与卷积层、池化层关系 一、卷积神经网络概述
传统的多层感知机每个神经元都与上一层的所有神经元相连接因此拥有大量超参数。而卷积神经网络CNN引入了卷积层和池化层的结构帮助减少了参数数量提高了网络的拟合能力和泛化能力。CNN是为了更好地处理高维数据、保留空间结构信息并减少参数数量而设计的。
1.卷积层
1.1卷积核与神经元 一个卷积核可以被看作是一个神经元的参数而该神经元通过其卷积核来进行卷积操作以提取特征并将这些特征作为该神经元的输出。这个输出特征图随后可以作为下一层卷积层或全连接层的输入。 同时每个神经元的卷积核作为参数通过反向传播进行更新。 单输入输出通道下对于二分图像数据卷积核通常是二维对于三维视频数据卷积核通常是三维的。 二维卷积核的卷积如下 这是一个神经元的卷积核执行的卷积操作。 最后三个神经元的输出特征图组合成该层隐藏层的输出单输入通道多输出通道
1.2卷积层作用
特征提取卷积操作可以提取输入数据的特征通过滤波器 卷积核对输入数据进行卷积操作从而捕捉到图像或其他数据中的局部特征。参数共享每个卷积核在整个输入数据的不同位置进行卷积操作时使用的是相同的权重这种参数共享的方式有助于减少参数数量提高模型的泛化能力。保留空间结构信息卷积操作通过卷积核在输入数据上按位置进行卷积并且输出也是按位置对应的这样可以保持输入数据的空间结构有助于捕捉数据中的空间关系。
1.3多输出通道概念 一个神经元对应一个卷积核同一隐藏层的多个神经元会使用各自的卷积核对输入数据进行特征提取从而得到不同的输出特征图。每个特征图对应一个通道多个神经元提取的各自不同的特征图构成了多通道。 如上图所示该隐藏层为三通道输出即使用三个神经元从三个方面提取到了数据的特征。每一个隐藏层输出的通道数等于该隐藏层中卷积核的个数。
特别的对于输入数据的通道数例如图片数据若输入通道数为3则三通道分别表示该张图片账本的R、G、B三个方向的像素。
2.池化层
2.1池化层作用
降维和减少参数池化操作通过对输入数据进行采样和汇聚有效减少特征图的大小减少计算量和参数数量有助于防止过拟合。平移不变性池化操作可以使特征对位置的变化更加稳定即使输入数据发生平移模型也能够提取到相同的特征或者对象。这使得模型对于位置的微小变化更加鲁棒提高模型的泛化能力。举例来说假设我们有一张狗的图片当在这张图片左上角提取到一只狗那么不管狗的位置上下左右如何变化依然能够提取到这只狗。增强特征Feature Map通过池化操作可以更加突出重要的特征保留主要的特征信息最大池化中将每个区域内的最大值作为输出有助于提高模型对于关键特征的识别能力。
3.隐藏层与卷积层、池化层关系
隐藏层是指除输入层和输出层以外的所有层用来进行中间数据的处理和特征的抽取。因此一个卷积层就是一个隐藏层一个池化层也是一个隐藏层。 其中卷积层的参数为卷积核和偏置项池化层不包含可学习的参数在最大池化中它在每个池化窗口内选择最大值作为输出而在平均池化中它在每个池化窗口内计算平均值作为输出。
