? ? ? ? ? CNN中非常有特點的地方就在于它的局部連接和權值共享，通過卷積操作實現局部連接，這個局部區域的大小就是濾波器filter，避免了全連接中參數過多造成無法計算的情況，再通過參數共享來縮減實際參數的數量，為實現多層網絡提供了可能。

卷積操作

? ? ? ? 在CNN中是利用卷積層進行特征提取的，圖像的三個通道R(red)、G(green)、B(blue)，分別用不同的卷積核來進行卷積操作，說起卷積核這讓我想起了我之前對圖像進行的濾波處理，卷積運算本質上就是在濾波器和輸入數據的局部區域間做點積，所以可以用矩陣乘法來實現，其實這是一個道理，卷積核對圖像的操作可以用下圖來表示：

? ? ? ? 為什么會設置不同的filter呢，因為不同的濾波器filter會得到不同的輸出數據，比如顏色深淺、輪廓。相當于如果想提取圖像的不同特征，則用不同的濾波器filter，提取想要的關于圖像的特定信息：顏色深淺或輪廓。如下圖，左邊是圖像輸入，中間部分就是濾波器filter（帶著一組固定權重的神經元）：

? ? ? ? 輸入圖像是32*32*3的，32表示的圖像尺寸大小，3表示的它的深度（即RGB三個channel），卷積層是一個5*5*3的濾波器（filter），filter的深度必須和輸入圖像的深度相同，通過一個filter與輸入圖像的卷積可以得到一個28*28*1的特征圖，下圖是用了兩個filter得到了兩個特征圖：

?權值共享

? ? ? ? 在下圖中，如果不使用權值共享，則特征圖由10個32*32*1的特征圖組成，每個特征圖上有1024個神經元，每個神經元對應輸入圖像上的一塊5*5*3的區域，所以一個神經元和輸入圖像的這塊區域有75個連接，即75個權值參數，則共有75*1024*10=768000個權值參數，這對于參數的調整和傳遞非常不利，因此卷積神經網絡引入權值共享原則，一個特征圖上每個神經元對應的75個權值參數被每個神經元共享，這里的共享其實就是指的每個神經元中75個權值參數采用對應相同的權值，權值共享時，只是在每一個filter上的每一個channel中是共享的，這樣便只需75*10=750個權值參數，而每個特征圖的閾值也共享，即需要10個閾值，則總共需要750+10=760個參數。

神經元的偏置部分也是同一種濾波器共享的。?

總結

以上是生活随笔為你收集整理的CNN中的卷积操作与权值共享的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。