开发者社区> 技术小能手> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

卷积神经网络的最佳解释!

简介: CNN由由可学习权重和偏置的神经元组成。每个神经元接收多个输入,对它们进行加权求和,将其传递给一个激活函数并用一个输出作为响应。整个网络有一个损失函数,在神经网络开发过程中的技巧和窍门仍然适用于CNN。
+关注继续查看

CNN由由可学习权重和偏置的神经元组成。每个神经元接收多个输入,对它们进行加权求和,将其传递给一个激活函数并用一个输出作为响应。整个网络有一个损失函数,在神经网络开发过程中的技巧和窍门仍然适用于CNN。很简单,对吧?

那么,卷积神经网络与神经网络有什么不同呢?

d97756dc2888d0e05a1e950ca2aded706400b44b

和神经网络输入不同,这里的输入是一个多通道图像(在这种情况下是3通道,如RGB)。

在我们深入之前,让我们先了解一下卷积的含义。

卷积

5dc3af3238ed9ffc73a4f1fdafe1debfe32d2c2e

我们用5 * 5 * 3的滤波器滑过整个图像,并在滑动过程中与滑过的图像部分点积。

fb764fc838c0d92d159811e175ee8eb864cf0290

每个点积的结果都是标量。

那么,当我们将整个图像与滤波器进行卷积时会发生什么?

d2e05d2d7ec0786bed3da4928099f966a549d5ab

卷积结果的大小28是怎么来的留给读者思考。(提示:有28 * 28个独特的位置,滤波器可以放在图像上)

现在回到CNN

卷积层是卷积神经网络的重要部分。

a3c21e317ffad5cbaff2fa2db1387af3a888a765

卷积层包含一组独立的滤波器(在所示的例子中是6个)。每个滤波器都与图像独立卷积,最终形成6个形状为28 * 28 * 1的特征图。

假设我们有多个卷积层。然后会发生什么?

a8157a2fe359b066784e2396f649c64d53813d5b

所有这些滤波器都是随机初始化的,并在网络训练过程中学习参数。

下面是训练好的网络的例子。

9c0928ceff172771b7b160275d9d5b2776227295

看看第一层中的滤波器(在这是5 * 5 * 3的滤波器)。通过反向传播,逐渐调整成为彩色碎片和边缘的斑点。当层次变深时,滤波器与先前一层的输出做点积。所以,他们正在用较小的彩色碎片或边缘制作出更大的碎片

对于特定的特征图,每个神经元仅与输入图像的一小块连接,并且所有神经元具有相同的连接权重,这就是CNN与神经网络的最大区别。

参数共享和局部连接

参数共享指的是特定特征图中所有神经元的权重共享。

局部连接是每个神经只与输入图像的一个子集连接(不同于全连接的神经网络)

这有助于减少整个系统中的参数数量,并使计算更加高效。

池化层

池化层是CNN的另一个构建块。

63c18951d676b22c9f6d5a48a67412ef6966841f

其功能是逐步缩小表示空间的大小,以减少网络中的参数和计算量。池化层独立地在每个特征映射上工作。

最常用的方法是最大池化(max pooling)。

82b624a7b798d31fa78fb9a1208c0de76c9f5a18

CNN的典型架构

79027ee900e2719a04aa332aa11268e95f811a1b
我们已经介绍了卷积层(由CONV表示)和池化层(由POOL表示)。

RELU只是一个应用于神经单元的非线性激活函数。

FC是CNN末端的全连接层。全连接层中的神经元与前一层中的所有激活都有完全连接,如常规神经网络中所见,并以相似的方式工作。

CNN架构有许多变化,但正如我之前提到的,基本概念保持不变。


原文发布时间为:2018-08-12

本文来自云栖社区合作伙伴“机器学习算法与Python学习”,了解相关信息可以关注“机器学习算法与Python学习”。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
【pytorch实现】卷积神经网络(2)
【pytorch实现】卷积神经网络(2)
6 0
图像识别:卷积神经网络
激活卷积操作是线性的,只能进行线性的映射,表达能力有限。因此针对非线性映射问题的处理是,需要引入非线性激活函数。对于处理不同的非线性问题,引入的激活函数也不同,常用的主要有sigmoid、tanh、relu等。
20 0
一篇文章带你了解纹理表示和卷积神经网络
打卡计算机视觉--纹理表示和卷积神经网络, 帮助快速简单的理解,适合有一定基础的计算机视觉选手。
43 0
如何从信号分析角度理解卷积神经网络的复杂机制?
随着复杂和高效的神经网络架构的出现,卷积神经网络(CNN)的性能已经优于传统的数字图像处理方法,如 SIFT 和 SURF。在计算机视觉领域,学者们开始将研究重点转移到 CNN,并相信 CNN 是这一领域的未来趋势。但是,人们对成效卓著的 CNN 背后的机理却缺乏了解。
64 0
如果卷积神经网络存在根本性的缺陷,你会怎么看?
经过一段漫长时期的沉寂之后,人工智能正在进入一个蓬勃发展的新时期,这主要得益于深度学习和人工神经网络近年来取得的长足发展。更准确地说,人们对深度学习产生的新的兴趣在很大程度上要归功于卷积神经网络(CNNs)的成功,卷积神经网络是一种特别擅长处理视觉数据的神经网络结构。
737 0
不懂图像分类?这四种卷积神经网络模型了解一下!
不懂图像分类?这四种卷积神经网络模型了解一下!
5755 0
文科生如何理解卷积神经网络?
不愿意看那一堆公式符号,却想知道卷积神经网络(Convolutional Neural Network)如何做图像分辨?分享一段我给自己研究生的讲解答疑视频,希望对你有帮助。
1454 0
入门篇:卷积神经网络指南(一)
何为卷积神经网络,它来自何方?又要走向何处?跟着作者的节奏,一起来开始探索CNN吧。
5531 0
深度学习系列2:卷积神经网络
本文讲的是深度学习系列2:卷积神经网络,这篇文章是深度学习系列的一部分。你可以在这里查看第一部分,以及在这里查看第三部分。
1037 0
了解对自然语言处理的卷积神经网络
了解对自然语言处理的卷积神经网络 当我们听到卷积神经网络(CNN)的时候,我们通常会想到计算机视觉。 CNN负责图像分类的重大突破,是当今大多数计算视觉系统的核心,从Facebook的自动照片标签到自动驾驶。
932 0
+关注
技术小能手
云栖运营小编~
文章
问答
文章排行榜
最热
最新
相关电子书
更多
基于神经网络的语言合成
立即下载
机器能理解上下文吗-RNN和LSTM神经网络的原理及应用
立即下载
机器能理解上下文吗 RNN和LSTM神经网络的原理及应用
立即下载