1.CNN概述

CNN的整體思想，就是對圖片進(jìn)行下采樣，讓一個(gè)函數(shù)只學(xué)一個(gè)圖的一部分，這樣便得到少但是更有效的特征，最后通過全連接神經(jīng)網(wǎng)絡(luò)對結(jié)果進(jìn)行輸出。

整體架構(gòu)如下：

輸入圖片

→卷積：得到特征圖（激活圖）

→ReLU：去除負(fù)值

→池化：縮小數(shù)據(jù)量同時(shí)保留最有效特征

（以上步驟可多次進(jìn)行）

→輸入全連接神經(jīng)網(wǎng)絡(luò)

2.卷積層

CNN-Convolution

卷積核（或者被稱為kernel, filter, neuron）是要被學(xué)出來的，卷積核中的數(shù)就是權(quán)重（參數(shù)）

做內(nèi)積，把卷積核的每一個(gè)參數(shù)和圖像中對應(yīng)位置的數(shù)字相乘（對應(yīng)位置的元素相乘，不同于矩陣乘法），再求和。相當(dāng)于一個(gè)神經(jīng)元，對輸入的數(shù)據(jù)，進(jìn)行權(quán)重的分配，而權(quán)重就是卷積核的數(shù)據(jù)。再求和，就是第一個(gè)神經(jīng)元所得到的結(jié)果。把這個(gè)權(quán)重對圖片所有數(shù)據(jù)進(jìn)行處理，就得到第一個(gè)激活圖或特征圖（feature map）。我們可以增加卷積核的數(shù)量，就會(huì)得到多層激活圖，可以更好的保留數(shù)據(jù)的空間尺寸。

當(dāng)卷積核與圖片進(jìn)行相乘相加的時(shí)候，如果卷積核此時(shí)正在計(jì)算的區(qū)域數(shù)字分布與卷積核類似，所得的求和結(jié)果會(huì)很大（稱為卷積核被激活了），而其他地方會(huì)很小，說明圖像在這個(gè)區(qū)域，有和卷積核類似的圖案。

一個(gè)卷積核只能識別一個(gè)特征。因此我們需要添加多個(gè)卷積核，卷積核越多，得到的激活圖就越深，輸入圖像的信息就越多。

對于彩色的圖來說，不需要把顏色分開，卷積核的深度和圖像深度是一樣的，比如彩色是紅綠藍(lán)三層，那么卷積核也是三層。

卷積層相當(dāng)于降采樣的神經(jīng)網(wǎng)絡(luò)，如下圖，本來應(yīng)該連接36個(gè)神經(jīng)元，但實(shí)際連接了9個(gè)。

3.池化層

CNN-MaxPooling

在Max Pooling，也就是池化層之前，會(huì)需要進(jìn)行一個(gè)ReLU函數(shù)轉(zhuǎn)化，即把小于0的值全轉(zhuǎn)為0，其他的不變。

池化層主要就是為了減少數(shù)據(jù)量，選一個(gè)尺寸之后，直接用尺寸中的最大值代替那個(gè)尺寸。這樣可以減少數(shù)據(jù)從而減少運(yùn)算量。

如下圖所示，輸入數(shù)據(jù)原本是6*6，通過卷積層之后變成4*4，通過池化層之后變成2*2。對于實(shí)際的圖片來說，維度可能很高，因此卷積層，池化層可以多次進(jìn)行。

4.全連層

將最后得到的高層次特征輸入全連接的神經(jīng)網(wǎng)絡(luò)，即全連層。全連層就是一個(gè)全連接的神經(jīng)網(wǎng)絡(luò)，它的參數(shù)數(shù)量就是最后的池化層輸出的數(shù)據(jù)數(shù)量。

同樣的，前向傳播后，計(jì)算損失函數(shù)后進(jìn)行后向傳播，得到各參數(shù)的梯度，對各參數(shù)進(jìn)行更新，直到找到最佳參數(shù)。

因此，在全連接之前的所有層，不管多少層的卷積、池化，都是為了得到更好的特征的同時(shí)降低數(shù)據(jù)量。使得模型可以更好地訓(xùn)練。

以上就是Python人工智能深度學(xué)習(xí)CNN的詳細(xì)內(nèi)容，更多關(guān)于人工智能CNN深度學(xué)習(xí)的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！

原文鏈接：https://blog.csdn.net/Swayzzu/article/details/121043334