CNN 卷积神经网络 chap-5 学习笔记

CNN 卷积神经网络-学习笔记

  • 1. FNN与CNN有哪些区别
  • 2. CNN要干什么事?
    • 2.1 CNN又怎么进行识别呢?
  • 3. 什么是卷积
  • 4. CNN之池化层(pooling 也叫汇聚层和子采样层)和全连接层(FC)
  • 5. 几种典型的CNN网络
    • 5.1 LeNet-5

1. FNN与CNN有哪些区别

在 FNN 部分所推导的正则化技巧方面,我们将会观察需要对 CNN 做出哪些修改?
FNN:常规前馈神经网络 该网络不考虑输入数据可能具备的任何特定结构。
CNN:卷积神经网络,是一种深层前馈神经网络。

2. CNN要干什么事?

参考 https://blog.csdn.net/v_JULY_v/article/details/51812459
CNN 卷积神经网络 chap-5 学习笔记_第1张图片
上图中CNN要做的事情是:给定一张图片,是车还是马未知,是什么车也未知,现在需要模型判断这张图片里具体是一个什么东西,总之输出一个结果:如果是车 那是什么车?
(1) 最左边是数据输入层:
对数据做一些处理,比如去均值(把输入数据各个维度都中心化为0,避免数据过多偏差,影响训练效果)、归一化(把所有的数据都归一到同样的范围)、PCA/白化等等。CNN只对训练集做“去均值”这一步。
(2) 中间是CONV:
卷积计算层,线性乘积 求和。
RELU:激励层
POOL:池化层,简言之,即取区域平均或最大。
(3) 最右边是
FC:全连接层

2.1 CNN又怎么进行识别呢?

例如,给出“X”的一张图片,如何识别它是“X”,简单粗暴的做法是找一个标准的“X”进行对比,但是有一个问题,这个给出的“X”只要稍微有一点扭曲或者变形便可能无法识别。如何解决这一个问题呢?CNN 便出现了。
CNN 卷积神经网络 chap-5 学习笔记_第2张图片
对于CNN来说,它是一块一块地来进行比对。它拿来比对的这个“小块”我们称之为Features(特征)。在两幅图中大致相同的位置找到一些粗糙的特征进行匹配,CNN能够更好的看到两幅图的相似性,相比起传统的整幅图逐一比对的方法。
CNN 卷积神经网络 chap-5 学习笔记_第3张图片
这样进行匹配,但是怎样进行数学运算?这里变引入了卷积。

3. 什么是卷积

对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重:因为每个神经元的多个权重固定,所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作就是所谓的『卷积』操作,也是卷积神经网络的名字来源。
(1)一维卷积
CNN 卷积神经网络 chap-5 学习笔记_第4张图片
(2)二维卷积
CNN 卷积神经网络 chap-5 学习笔记_第5张图片
存在问题

  • 6乘以6变成4乘以4
  • 边缘像素被很少使用到
    如何解决这一问题,那就是去填充边缘!
    CNN 卷积神经网络 chap-5 学习笔记_第6张图片
    (3)三维卷积

CNN 卷积神经网络 chap-5 学习笔记_第7张图片CNN 卷积神经网络 chap-5 学习笔记_第8张图片
特别注意:深度学习时卷积核不翻转

4. CNN之池化层(pooling 也叫汇聚层和子采样层)和全连接层(FC)

(1)池化层
首先来讲一讲池化层的作用:图片特征具有不变性, 也就是通过下采样(缩小图片叫下采样,上采样是图片放大。)不会丢失图片拥有的特征, 由于这种特性, 我们可以将图片缩小再进行卷积处理, 这样能够大大降低卷积运算的时间。通过降低维数,解决过拟合问题。最常用的池化层形式是尺寸为2×2的窗口, 滑动步长为2, 对图像进行下采样, 将其中75%的激活信息都丢掉, 选择其中最大的保留下来, 这其实是因为我们希望能够更加激活里面的数值大的特征, 去除一些噪声信息。
下图为池化层的计算
CNN 卷积神经网络 chap-5 学习笔记_第9张图片
除了最大值池化之外, 还有一些其他的池化函数, 比如平均池化, 或者L2范数池化。 在实际中证明, 在卷积层之间引入最大池化的效果是最好的, 而平均池化一般放在卷积神经网络的最后一层。
(2)全连接层:参考 https://zhuanlan.zhihu.com/p/33841176
全连接作用:将学到的“分布式特征表示”映射到样本标记空间的作用。
连接层之前的作用是提取特征
全链接层的作用是分类

CNN 卷积神经网络 chap-5 学习笔记_第10张图片
当我第一次看到这个全连接层,我的第一个问题是:

它是怎么样把3x3x5的输出,转换成1x4096的形式
如下图:
CNN 卷积神经网络 chap-5 学习笔记_第11张图片
很简单,可以理解为在中间做了一个卷积,图如下:
CNN 卷积神经网络 chap-5 学习笔记_第12张图片
因为我们有4096个神经元
我们实际就是用一个4096个3x3x5的卷积层去卷积激活函数的输出。

5. 几种典型的CNN网络

5.1 LeNet-5

CNN 卷积神经网络 chap-5 学习笔记_第13张图片
未完待续。。。。

你可能感兴趣的:(笔记,神经网络,卷积神经网络)