Python 深度学习入门之CNN
CNN
- 前言
- 一、CNN简介
- 1、简介
- 2、结构
- 二、CNN简介
- 1、输出层
- 2、卷积层
- 3、池化层
- 4、全连接层
- 5、输出层
前言
1024快乐！1024快乐！今天开新坑，学点深度学习相关的，说下比较火的CNN。
一、CNN简介
1、简介
CNN的全称是Convolutional Neural Networks（卷积神经网络）。而神经网络是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结构和功能的数学模型或计算模型。
2、结构
- 输入层 - 图片的像素矩阵
- 卷积层 - 提取特征
- 池化层 - 下采样,不会损坏识别结果
- 全连接层 - 分类
- 输出层 - 输出层通常包括SoftMax层，用于将网络的输出转化为类别概率分布，以进行多类别分类
二、CNN简介
1、输出层
2、卷积层
卷积就是2个函数的叠加，应用在图像上，则可以理解为拿一个滤镜放在图像上，找出图像中的某些特征，如下图所示。
从左上角开始依次遍历，从左到右，从上到下，每次移动的步长是1，依次移动到矩阵末尾之后结束，每次都把Filter和矩阵对应的区域做乘法，得出一个新的矩阵。
3、池化层
通过池化层，可以进一步缩小最后全连接层中节点的个数，从而达到减少整个神经网络参数的目的。使用池化层既可以加快计算速度也可以防止过拟合。
池化层filter的计算不是节点的加权和，而是采用最大值或者平均值计算；
使用最大值操作的池化层被称之为最大池化层（max pooling）；
使用平均值操作的池化层被称之为平均池化层（mean pooling）。
4、全连接层
全连接层的作用主要是进行分类。前面通过多层卷积层和池化层得出的特征，在全连接层对这些总结好的特征做分类。全连接层就是一个完全连接的神经网络，根据权重每个神经元反馈的比重不一样，最后通过调整权重和网络得到分类的结果。
5、输出层
SoftMax层在CNN中的需求取决于网络的任务。如果任务是多类别分类，那么SoftMax层通常是合适的。但对于其他任务，可以根据具体需求选择适当的输出层结构。