深度学习从入门到实战——卷积神经网络原理解析及其应用
卷积神经网络CNN
- 卷积神经网络
- 前言
- 卷积神经网络
- 卷积的填充方式
- 卷积原理展示
- 卷积计算量公式
- 卷积核输出的大小计算
- 感受野
- 池化
- 自适应均值化
- 空洞卷积
- 经典卷积神经网络
- 参考
卷积神经网络
前言
- 为什么要使用卷积神经网络呢？
- 首先传统的MLP的有什么问题呢？ -
传统过的全连接网络，每一层的输出就是下一层的输入。在一个模型拟合任务中，并不是所有的参数特征都占据很大。因此，有些特征依然会存在冗余的情况。
总结：并不是所有的权重都会发生作用，依然会有很多不必要的参数。
全连接存在的问题就是，这一层的输入也许我并不是全部需要，也许本身也不需要。参数过多也会造成计算的增加，浪费时间。
参数过多，计算冗余
- 首先传统的MLP的有什么问题呢？ -
卷积神经网络
- 卷积神经网络也是一种前馈神经网络，是受到生物学上感受野（感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质）的机制而提出的（在视觉神经系统中，一个神经元的感受野是指视网膜上的特定区域，只有这个区域内的刺激才能够激活该神经元）。
卷积：(f**g*)(n)成为 ff 和 gg 的卷积，连续卷积和离散卷积可以表达为如下形式：
卷积有很多应用，经常用于处理一个输入，通过系统产生一个适应需求的输出。
统计学中加权平均法
概率论中两个独立变量之和概率密度的计算
信号处理中的线性系统
物理学的线性系统
图像处理中的应用(卷积神经网络)
卷积经常用在信号处理中，用于计算信号的延迟累积。
卷积的填充方式
卷积原理展示
卷积核在很大程度上可以看成滤波器。至少作用上具有很大相似性。
卷积原理示意图
卷积运算：通过学习得来的卷积核，获得特征图
卷积计算量公式
卷积核输出的大小计算
感受野
-
感受野：类似于余光感受的视野，有时候关键信息分布很分散，需要足够的感受野捕捉足够的信息，这样足够的参考信息利于提高精确度(网络层次不够时，感受野可以辅助处理问题)
因此，小的特征图往往也能看到很多全局的特征、
池化
- 具有平移不变形和移动不变性
- 备注：池化类似于卷积的过滤，池化会丢失信息（无用信息或者 重要信息）
自适应均值化
空洞卷积
- 空洞卷积
- 红点参与计算，没有空洞时空洞值为1，多一个空洞，空洞值+1
经典卷积神经网络
以上类别，以后分开介绍吧…
参考
链接: Datawhale.