龙空技术网

图解卷积神经网络

深度学习僧 321

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