深度学习CNN

CNN：卷积神经网络

一种专门用来处理具有类似网格结构的数据的神经网络。

前言：

在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：

1.图像需要处理的数据量太大，导致成本很高，效率很低

2.图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高

CNN五层网格结构：

1.数据输入层

2.卷积层（提取图像中的局部特征）

3.ReLU激励层

4.池化层

5.全连接层

作用：

数据输入层：进行预处理操作，得到图片的像素矩阵

卷积层（过滤器/卷积核/内核）：对输入图像和滤波矩阵（恒定的滤波器）做内积（逐个元素相乘再求和）的操作就是卷积，也是卷积神经网络的名字来源。

 

卷积计算：

 

填充值：

 

步幅：减小输入参数的数目，减少计算量

 

激活层：

1激活函数（加入非线性因素）：

提高模型抗干扰能力，非线性表达能力，缓解梯度消失问题，加速模型收敛

将当前特征空间映射转换到另一个空间，让数据能够更好地被分类

非线性激活函数：

假若网络中全部是线性部件，那么线性的组合还是线性，与单独一个线性分类器无异

网络更加强大，学习复杂的事务，复杂的表单数据，从输入输出之间生产非线性映射

池化层：

平均池化层：

 

最大池化层：

 

使特征图变小，简化网络计算复杂度

特征压缩，提取主要特征

加快计算速度

防止过度拟合

缩小最后全连接层中节点个数，减少整个神经网络参数