当前位置:网站首页>9.卷积神经网络介绍

9.卷积神经网络介绍

2022-07-07 23:11:00 booze-J

卷积神经网络

概述

卷积神经网络是近年发展起来,并广泛应用于图像处理和NLP等领域的一种多层神经网络。

在这里插入图片描述

传统BP处理图像时的问题:

  • 1.权值太多,计算量太大

假设使用100X100的图片进行训练,那么100X100大小的图片有10000个像素点,那么构建网络的输入就需要10000个神经元,网络中的隐藏层神经元数目和输入层神经元数目差不多,这样的话,就会有很多的权值需要训练更新。 计算量非常的大。

  • 2.权值太多,需要大量样本进行训练

神经元越多,参数就越多,当你的参数越多的时候,就和解方程一样未知参数越多,需要的越多的数据才能够解出未知参数。

既然存在这些问题那怎么办呢?
CNN通过局部感受野权值共享减少了神经网络需要训练的参数个数。
在这里插入图片描述
上方第一张图为全连接神经网络,上方第二张图和下放第一张图为局部连接神经网络。局部连接神经网络相对于全连接神经网络参数更少。

1.卷积核

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述滤波器,卷积核的作用大家可以理解为就是提取图片一些不同的特征,不同的卷积核可以提取到不同的特征。

2.池化

Pooling常用的三种方式:

  • max-pooling
    -在这里插入图片描述

  • meaning-pooling
    在这里插入图片描述

  • stochastic pooling
    在这里插入图片描述

3.卷积Padding

SAME PADDING
给平面外部补0,卷积窗口采样后得到一个跟原来大小相同的平面
在这里插入图片描述

VALID PADDING
不会超出平面外部,卷积窗口采样后得到一个比原来平面小的平面
请添加图片描述
在这里插入图片描述

4.池化Padding

SAME PADDING:可能会给平面外部补0
VALID PADDING:不会超出平面外部

  • 假如有一个28*28的平面,用2*2步长为2的窗口对其进行pooling操作:
    使用SAME PADDING的方式,得到14*14的平面;
    使用VALID PADDING的方式,得到14*14的平面。

  • 假如有一个2*3的平面,用2*2步长为2的窗口对其进行pooling操作:
    在这里插入图片描述
    使用SAME PADDING的方式,得到1*2的平面;
    使用VALID PADDING的方式,得到1*1的平面。

5.LeNET-5介绍

LeNET-5是最早的卷积神经网络之一,曾广泛用于美国银行。手写数字识别正确率在99%以上。
在这里插入图片描述

原网站

版权声明
本文为[booze-J]所创,转载请带上原文链接,感谢
https://blog.csdn.net/booze_/article/details/125641970