卷积神经网络基础--输入层、卷积层

简介: 局部连接和权值共享是卷积层的两个最主要的特征:为提取数据的特征信息,需把数据中潜在的具有相关性的信息抽象化,便于进行以上两个特征操作。

输入层
我们通常在这一层对传入数据进行处理,此步骤可大幅优化图像处理结果,有效防止输入不同的数据单位,显著缩短神经网络训练耗时,提高网络收敛速率;需要引起注意的是,神经网络的激活函数一般都处于一定的数值区间,因此进行网络训练的数据得映射到相应的区间。

运行人工神经网络时,底层参数更新对其有显著的作用效果,造成的影响会导致假设条件难以满足。从事相关研究的科学家们在神经网络中采取归一化操作,能有效解决假设条件难以满足的问题。

此方法通常对数据做一定尺度的放大和缩小操作,一般情况下被用来对数据进行预处理或者对不同单位的测量数据作归一化数据分析。也就是说,归一化这一步骤就是将数据限制在某个数值范围内,再进行线性对比拉伸:

1.png

卷积层
卷积层的主要作用是对输入图像进行卷积运算和特征提取。卷积层中含有一系列具有同一大小的卷积核,不同的卷积核对特征提取有不同的作用。

本层进行卷积运算的步骤如下:先假设卷积核的尺寸为m×n,原始图像为X,再对尺寸为mxn的卷积核中的权值w与原始图像X中的像素值x进行求积运算,计算的公式如下:

2.png

以下图3.4为例展示标准卷积运算过程。卷积运算的卷积核每次滑过原始数字图像的9个像素,覆盖像素的滑动框会滑动四次,得到一个尺寸为2×2的二维数据。对于原始数据尺寸为n的数字图像,执行尺寸为f的卷积运算操作,最终输出的数字图像大小为n-f+1。

3.png

局部连接和权值共享是卷积层的两个最主要的特征:为提取数据的特征信息,需把数据中潜在的具有相关性的信息抽象化,便于进行以上两个特征操作。

局部连接是由人的视觉系统激发出来的,它通过将卷积层的结点与上一层的局部结点相结合,从而达到学习局部特征的目的。对于待识别的图像,在某个特定区域内,相邻的像素间的关联度高,而相距较远的像素关联度低。而在局部连接中,单一的神经元仅需要对图象的局部感知,再将全部的局部感知信息按顺序合并,就可以获得整个图象的整体信息。局部连接和全连接如图3.6所示,下图中,(a)是局部连接,(b)是全连接。

4.png
5.png

通过局部连接方式对神经元连接进行改进之后虽然在一定程度上使得网络中的参数量变少,但神经元数量任然很多,参数量依然会很多。想要参数数量变少,就需要运用权值共享策略。权值共享是指用权重参数相同的卷积核对输入图像进行卷积运算,用相同的参数提取图像特征。如图表示的是权值共享。

6.png

相关文章
|
7天前
|
机器学习/深度学习 人工智能 监控
深入理解深度学习中的卷积神经网络(CNN):从原理到实践
【10月更文挑战第14天】深入理解深度学习中的卷积神经网络(CNN):从原理到实践
28 1
|
11天前
|
机器学习/深度学习 算法 数据挖掘
基于GWO灰狼优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了基于分组卷积神经网络(GroupCNN)和灰狼优化(GWO)的时间序列回归预测算法。算法运行效果良好,无水印展示。使用Matlab2022a开发,提供完整代码及详细中文注释。GroupCNN通过分组卷积减少计算成本,GWO则优化超参数,提高预测性能。项目包含操作步骤视频,方便用户快速上手。
|
12天前
|
机器学习/深度学习 人工智能 算法
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
玉米病害识别系统,本系统使用Python作为主要开发语言,通过收集了8种常见的玉米叶部病害图片数据集('矮花叶病', '健康', '灰斑病一般', '灰斑病严重', '锈病一般', '锈病严重', '叶斑病一般', '叶斑病严重'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。再使用Django搭建Web网页操作平台,实现用户上传一张玉米病害图片识别其名称。
31 0
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
|
3天前
|
机器学习/深度学习 人工智能 自动驾驶
深入理解深度学习中的卷积神经网络(CNN)
【10月更文挑战第18天】深入理解深度学习中的卷积神经网络(CNN)
12 0
|
6天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化卷积神经网络(Bayes-CNN)的多因子数据分类识别算法matlab仿真
本项目展示了贝叶斯优化在CNN中的应用,包括优化过程、训练与识别效果对比,以及标准CNN的识别结果。使用Matlab2022a开发,提供完整代码及视频教程。贝叶斯优化通过构建代理模型指导超参数优化,显著提升模型性能,适用于复杂数据分类任务。
|
8天前
|
机器学习/深度学习 编解码 算法
【深度学习】经典的深度学习模型-01 开山之作:CNN卷积神经网络LeNet-5
【深度学习】经典的深度学习模型-01 开山之作:CNN卷积神经网络LeNet-5
19 0
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解深度学习中的卷积神经网络(CNN)
【10月更文挑战第10天】深入理解深度学习中的卷积神经网络(CNN)
68 0
|
5月前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】26.卷积神经网络之AlexNet模型介绍及其Pytorch实现【含完整代码】
【从零开始学习深度学习】26.卷积神经网络之AlexNet模型介绍及其Pytorch实现【含完整代码】
|
5月前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】28.卷积神经网络之NiN模型介绍及其Pytorch实现【含完整代码】
【从零开始学习深度学习】28.卷积神经网络之NiN模型介绍及其Pytorch实现【含完整代码】
|
3月前
|
机器学习/深度学习 PyTorch 算法框架/工具
PyTorch代码实现神经网络
这段代码示例展示了如何在PyTorch中构建一个基础的卷积神经网络(CNN)。该网络包括两个卷积层,分别用于提取图像特征,每个卷积层后跟一个池化层以降低空间维度;之后是三个全连接层,用于分类输出。此结构适用于图像识别任务,并可根据具体应用调整参数与层数。

热门文章

最新文章