主页:写程序的小王叔叔的博客欢迎来访👀
支持:点赞
收藏
关注
1 概念
百度百科中讲到卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。
CNN由纽约大学的Yann Lecun于1998年提出，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：
- 一方面减少了权值的数量使得网络易于优化
- 另一方面降低了模型的复杂度，也就是减小了过拟合的风险
2 结构
卷积神经网络是一种带有卷积结构的深度神经网络，卷积结构可以减少深层网络占用的内存量，其三个关键的操作，其一是局部感受野，其二是权值共享，其三是pooling层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。
卷积神经网络结构包括：卷积层、池化层、和全连接层。通过堆叠这些层结构形成一个卷积神经网络。将原始图像转化为类别得分，其中卷积层和全连接层拥有参数，激活层和池化层没有参数。
（1）卷积层(Convolutional Layer)
主要作用是提取特征
属构建神经网络的核心层，在其中产生大部分的计算量，通过它我们也可以提取图像的特征。
1. 滤波器的作用或者说是卷积的作用。
2. 可以被看做是神经元的一个输出。
3. 降低参数的数量。
（2）池化层(Max Pooling Layer)
主要作用是下采样(downsampling)，却不会损坏识别结果。
池化层本质上是下采样，利用图像局部相关性的原理（认为最大值或者均值代表了这个局部的特征），对图像进行子抽样，可以减少数据处理量同时保留有用信息。池化操作可以逐渐降低数据体的空间尺寸，这样的话就能减少网络中参数的数量，使得计算资源耗费变少，也能有效控制过拟合。
通常卷积层和池化层会重复多次形成具有多个隐藏层的网络，俗称深度神经网络。
（3）全连接层(Fully Connected Layer)
主要作用是分类。
通过前面（1）和（2）得到的特征后，在全连接层中进行更好的特征分类，进一步将特征转化为类=类别进行输出。
（4）DropOut
针对某个神经元，通过定义的概率删除一些神经元，同时保证输入层和输出层保持不变，然后通过方法进行更新。
（5）softmax层
Softmax层也不属于CNN中单独的层，一般要用CNN做分类的话，我们习惯的方式是将神经元的输出变成概率的形式。
3 特征
（1）局部感受野
（2）卷积层的权值共享
转载声明：本文为博主原创文章，未经博主允许不得转载
⚠️注意 ~
💯本期内容就结束了，如果内容有误，麻烦大家评论区指出！
如有疑问❓可以在评论区💬或私信💬，尽我最大能力🏃♀️帮大家解决👨🏫！
如果我的文章有帮助到您，欢迎点赞+关注✔️鼓励博主🏃，您的鼓励是我分享的动力🏃🏃🏃~
