卷积神经网络学习笔记(一):CNN概况
来源:互联网 发布:公共场所网络上报 编辑:程序博客网 时间:2024/05/16 19:34
一、机器如何识别图片
机器处理图像的第一步是理解,理解如何表达一张图像,进而读取图片。简单来说,每个图像都是一系列特定排序的图点(像素)。如果你改变像素的顺序或颜色,图像也随之改变。基本上,机器会把图像打碎成像素矩阵,存储每个表示位置像素的颜色码。
关于具体如何理解这个问题,推荐看下“机器视角”的一篇文章。
https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650728746&idx=1&sn=61e9cb824501ec7c505eb464e8317915&scene=0#wechat_redirect
二、卷积神经网络
一个卷积神经网络大致有如下的几个部分构成:
· 卷积层:帮助提取特征,越深的卷积神经网络会提取越具体的特征,越浅的网络提取越浅显的特征。
· 池化层(pooling):池化的唯一目的是减少图像的空间大小。最常见形式是最大池化。
· 输出层:CNN 中的输出层是全连接层,其中来自其他层的输入在这里被平化和发送,以便将输出转换为网络所需的参数。
1.卷积层
对图像和滤波矩阵做内积(逐个元素相乘再求和)的操作就是所谓的『卷积』操作,也是卷积神经网络的名字来源。
比如下图中,图中左边部分是原始输入数据,图中中间部分是滤波器filter,图中右边是输出的新的二维数据。
2.池化层
3.输出层
为了生成最终的输出,我们需要应用全连接层来生成一个等于我们需要的类的数量的输出。仅仅依靠卷积层是难以达到这个要求的。卷积层可以生成 3D 激活图,而我们只需要图像是否属于一个特定的类这样的内容。输出层具有类似分类交叉熵的损失函数,用于计算预测误差。一旦前向传播完成,反向传播就会开始更新权重与偏差,以减少误差和损失。
更多关于CNN反向传播的推导和实现可以参考如下博客
http://blog.csdn.net/zouxy09/article/details/9993371
- 卷积神经网络学习笔记(一):CNN概况
- Deep Learning学习笔记(一):卷积神经网络(CNN)
- 卷积神经网络(CNN)学习笔记
- 卷积神经网络(CNN)学习笔记
- 卷积神经网络(CNN)学习笔记
- CNN卷积神经网络学习笔记
- CNN卷积神经网络学习笔记
- CNN卷积神经网络(一)
- Tensorflow深度学习笔记(九)--卷积神经网络(CNN)
- 卷积神经网络(cnn)学习笔记1:入门
- tensorflow学习笔记五:mnist实例--卷积神经网络(CNN)
- 深度学习笔记三-CNN(卷积神经网络)是什么?(续)
- 机器学习笔记(四)卷积神经网络CNN
- 深度学习笔记(六) cnn 卷积神经网络
- 卷积神经网络学习笔记(二):CNN代码实例
- kaldi学习笔记之卷积神经网络(CNN)
- 卷积神经网络(CNN)笔记
- CNN卷积神经网络笔记
- CSS——div & span
- mybatis-3-mapper.dtd
- 13. Roman to Integer
- timequest静态时序分析学习笔记——工具使用
- Unity_JsonUtility的局限性_086
- 卷积神经网络学习笔记(一):CNN概况
- (1)数据挖掘算法之C4.5
- jni platform so动态库不全的处理办法
- 排序-3-插入
- Io流和操作总结
- js中的get和set方法(demo说明)
- 使用Unity制作一个简单的聊天室
- (2)数据挖掘算法之k-means
- Android Binder机制