目錄

一、卷積神經網絡

1、卷積層：提取圖像底層特征

2、池化層：防止過擬合，且將數據維度減小

3、全連接層：匯總卷積層和池化層得到的圖像的底層的特征和信息

4、最后進行輸出

二、卷積?

1、感受野?

2、外層補零（padding）?

2、特征圖（結果圖）

3、三維卷積

卷積核應用

1、平均卷積核（模糊）

2、銳化卷積核（邊緣檢測）

三、池化

池化作用

最大池化與平均池化

四、全連接層

五、卷積網絡（過程）?

圖像卷積神經網絡

1、卷積（提取特征）?

2、池化（防止過擬合）

3、全連接

---

一、卷積神經網絡

1、卷積層：提取圖像底層特征

2、池化層：防止過擬合，且將數據維度減小

3、全連接層：匯總卷積層和池化層得到的圖像的底層的特征和信息

4、最后進行輸出

?

二、卷積?

提取特征。?

1、感受野?

?感受野：卷積核光顧到的地方?。（感受到的視野）?

?

2、外層補零（padding）?

外層補0，防止原來最外層的元素訪問次數過少。（中間的訪問次數最多）?

2、特征圖（結果圖）

原圖和卷積核做卷積，得到結果（特征圖）：

有多少個卷積核就有多少個feature map 。

3、三維卷積

三維圖像卷積（立體卷積）：

卷積核應用

1、平均卷積核（模糊）

2、銳化卷積核（邊緣檢測）

三、池化

池化作用

池化也叫下采樣?

1、減少參數量

2、防止過擬合

簡而言之，就是在減小參數的同時，保留原始特征，防止過擬合。

最大池化與平均池化

四、全連接層

全連接層：每一層都和上一層所有神經元相連。 （全連接層：最后一層與倒數第二層）

作用：用來把前面提取到的特征綜合起來。

（而感受野每次只關注一部分區域，所以是部分連接）

?

五、卷積網絡（過程）

舉例：手寫數字識別?

1、手寫數字轉灰度圖

2、第一次卷積（得到多個特征圖）

3、第一次池化（保留特征的同時減少數據量，防止過擬合）

4、第二次卷積（得到更多特征圖）

5、第二次池化（保留特征的同時減少數據量，防止過擬合）

6、第一全連接層

7、第二全連接層

8、softmax層，得到結果

圖像卷積神經網絡

1、卷積（提取特征）?

比如需要檢測眼睛，那么卷積核為眼睛，卷積到原圖的眼睛時，就會變成1，其他為0。?

（注：卷積核不是人工規定的，而是機器學習學到的）

卷積到眼睛（100）：?

沒卷積到眼睛（0）：?

2、池化（防止過擬合）

在保留原始特征的情況下，減少數據量，防止過擬合。（也具有平移不變性）?

（注：如果需要精確定位到眼睛的位置的話，則不能用池化層，池化層對于眼睛的位置模糊了?）

3、全連接

得到最終結果。

總結

以上是生活随笔為你收集整理的深度学习（7）卷积神经网络的全部內容，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。