3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法

文章目录

    • 卷积神经网络的应用领域
    • 卷积的作用
    • 卷积特征值的计算方法
    • 得到特征图表示
    • 步长与卷积核大小对结果的影响
    • 边缘填充方法

卷积神经网络的应用领域

  1. 检测任务
  2. 分类与检索
  3. 超分辨率重构
  4. 医学任务
  5. 无人驾驶
  6. NVIDIA Tegra X1(显卡 GPU)

卷积的作用

卷积神经网络(cnn)与传统神经网络(nn)的区别:
3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第1张图片
传统神经网络是将像素点输入,例如333就是将27个像素点输入进去,而对于卷积来说就是直接输入三维空间333进去类似右边的一个空间结构。

整体架构:

  1. 输入层(也就是一张照片)
  2. 卷积层(提取特征)
  3. 池化层(压缩特征)
  4. 全连接层

卷积层通过先将32325分块,取其中的一块出来,再从中根据提取的像素点矩阵与w权重矩阵进行相乘得出相对应的特征值。
3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第2张图片

卷积特征值的计算方法

首先先理解一个概念:三颜色通道实际上就是将一张照片的图片实际上可以分成三张,比如RGB通道,实际上就是R通道的一张照片,G通道的一张照片,B通道的一张照片。
3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第3张图片
卷积内元素相乘,不同组相加,值得关注的是,仍需要加上b(偏置值)基本公式:
在这里插入图片描述
不同通道之间的数字直接进行相加。

得到特征图表示

卷积的结果是得到一张特征图:
3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第4张图片
即右边绿色的特征图,但是实际上我们传入的数据实际上是有多组数据的,也就是说我们最后得出的特征图也是有多份的,叠加在一起又是一个三位的矩阵。

具体的计算过程:

3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第5张图片
先进行分析:竖着的3个代表着三个颜色通道,然后右边:3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第6张图片
这个代表着有两组特征图。具体的计算过程就是:
-5 = (01+01+01+1-1+2*-1+20+1-1+11+20)+其他的两个通道的相对应的值(一个是0一个是-3)+偏置值b(1)
上述就是第一个特征图的一行二列的一个元素的计算过程。其他的也相同。

然后由于有两个特征图,所以相同位置可以计算出两个不同的值,也就是最后得出的也就有两张图表。

步长与卷积核大小对结果的影响

实际上我们的卷积过程并不是只有一步,实际上我们是先将有的图如下图所示的32323的图片做一次6特征图的卷积,得到28286的三维矩阵,拿这个三维矩阵再次去做10特征图的卷积,得到242410的三维矩阵······这也就是堆叠的卷积层
3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第7张图片
卷积层涉及的参数:

  1. 滑动窗口步长(即取窗口时下一组距离本组的距离)
  2. 卷积核尺寸(图为3*3的卷积核)卷积核尺寸
  3. 边缘填充(详见下)
  4. 卷积核个数(特征图个数)

边缘填充方法

3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法_第8张图片
可以看到+pad 1,实际上就是在外围的边界加上了一圈0,目的是为了缓解内部的贡献程度更大,外部的贡献程度更小的边界效应。

你可能感兴趣的:(机器学习,深度学习,cnn,深度学习,神经网络)