前言:
现在我们对“卷积神经网络计算公式”可能比较讲究,姐妹们都想要了解一些“卷积神经网络计算公式”的相关内容。那么小编在网络上网罗了一些有关“卷积神经网络计算公式””的相关资讯,希望看官们能喜欢,你们一起来学习一下吧!不知道什么是卷积神经网络?没关系,大家应该用过淘宝的拍立淘吧,根据你照片识别出相似的商品,原理中就用到了卷积神经网络。它能根据你的一张图片提取特征,从而识别物体。当然卷积神经网络不仅在图像识别方面大有作为,接下来进入正题,揭开卷积神经网络的面纱。
why convolution?
1.参数相比神经网络这样的全连接少太多了!有效地避免了过度拟合。
2.具有平移不变性,提取特征的能力很强
卷积神经网络分为:卷积,池化,全连接这三个主要的部分。
1.卷积操作
先来个简单的,请仔细看图
我们选择一张6*6*1(1为通道数,这里是1)的图像,让它和3*3的卷积核进行卷积操作,最后得出4*4*1的一张图像。
Q1:-5怎么得到的?
如上图,对应元素依次累积,最后相加。
Q2:怎么得到卷积后的图像?
1.1 填充(padding)
保持图像不会变得太小保留图像边缘信息
将图像边缘围上一圈,p=1
1.2 步长(stride)
相当于等差数列中的公差,从左到右从上至下依次加stride步长。
举例
一个filter
现实生活中图像的通道都不是一个的,这里我们采用一张RGB(彩色图片)
这里我们采用了一个filter(卷积核),输出了图像的一个特征,如垂直特征
两个filter
两个卷积核,输出了两个特征
卷积层
现在在多个卷积层进行训练
卷积操作完成后进行全连接,当成神经网络处理就可以啦。
2.池化操作
why pooling?
提取部分图像的最大特征
池化分为max pooling和average pooling
2.1 Max pooling
我们取的图像对应卷积大小位置的局部最大值
2.2 Average pooling
我们取图像对应卷积大小 位置的平均值
3.完整的卷积神经网络
总结:
#今日头条小助手##深度学习##神经网络#
标签: #卷积神经网络计算公式