经典卷积神经网络介绍
卷积神经网络(Convolutional Neural Networks,CNN)是一类深度神经网络,最常用于分析视觉图像。卷积神经网络是深度神经网络的正则化版本。在卷积神经网络中,至少在一个层中使用卷积运算代替矩阵乘法运算。卷积是一种特殊的线性操作。常规的神经网络在处理稍微大一些的图像时,效果并不尽如人意,如输入的图像是28像素×28像素×1,在第一个隐藏层中,每一个单独的全连接神经元有28×28=784个权重,但是如果输入的是100像素×100像素×3的图像,那么一个神经元就有30000个权重,而且在一个神经网络中不会只有一个神经元。全连接神经网络的“完全连接”使它们容易过度拟合数据,正则可以向损失函数添加某种形式的权重值测量,使得权重更加低阶,阻止过拟合。
一个简单的卷积神经网络是由各种层按一定顺序排列的。卷积神经网络主要由卷积层(Convolutional Layers)、池化层(Pooling Layers)、全连接层(Fully Connected Layers,FC Layers)构成。将这些层按一定的顺序排列,就可以搭建一个卷积神经网络。