8- 深度学习之神经网络核心原理与算法-卷积神经网络

卷积神经网络(CNN)

神经网络不是一种具体的算法,而是一种模型构建思路或方式。

我们之前已经成功的构建了BP网络,BP网络的每个神经元是由线性分类器+激励函数形成的。每个神经元前后首尾连接,形成一个网络结构。

BP网络的局限性。是否可以做一些新的逻辑单元或构建方式。绝大部分的模式识别都借鉴了卷积神经网络的关键组件。

与全连接网络的对比

全连接网络(Full Connect Network)

每一个神经元节点的出入都来自于上一层的每一个神经元的输出。(全连接)

优点: 每个维度的信息都会传播到其后的任何一个节点中去。(让网络不会漏掉这个维度贡献的因素) 缺点: w和b 格外的多,更新(权重太多)慢,收敛慢

如果使用全连接网络来做图像识别这种输入维度很高的就不太可行了。因为电脑的计算力不足。

卷积神经网络同样也是一种前馈神经网络。

卷积神经网络的神经元可以响应一部分覆盖范围内的周围的单元。 对于大规模的模式识别是非常好的,性能表现不错,尤其是对于大规模的图像处理效率,卷积神经网络它的效率是非常高的。

两大特点:

  • 有至少一个卷积层,用来提取特征
  • 卷积层通过权值共享,减少权值w的数量,加快收敛速度。

权值减少了之后,这样卷积神经网络会快于BP神经网络收敛。

卷积网络主要用来识别位移,缩放,以及其他形式的扭曲不变性二维图形。 那么由于我们之前介绍的比较大的特点。卷积网络在特征检测层通过训练数据进行学习。

所以在使用卷积神经网络时,你就可以避免显示的去提取特征。而可以隐式的从训练数据中进行学习。

再者,由于同一特征映射层面上的神经元,它使用的是权值共享的方式,所以网络可以并行的学习,这也使得卷积神经网络,相对于神经元彼此相连的网络,具有更大优势。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习算法全栈工程师

【随笔记录】1*1卷积核的作用

之前只是知道1x1的卷积核用在Inception模块中具有降维的作用,并没有认真的思考它是怎么样实现降维的,以及它还有哪些作用。于是查阅了一些资料,并记录了它...

1325
来自专栏GAN&CV

风格迁移背后原理及tensorflow实现

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/d...

1151
来自专栏企鹅号快讯

如何使用Keras集成多个卷积网络并实现共同预测

在统计学和机器学习领域,集成方法(ensemble method)使用多种学习算法以获得更好的预测性能(相比单独使用其中任何一种算法)。和统计力学中的统计集成(...

3399
来自专栏人工智能

ImageNet冠军带你入门计算机视觉:卷积神经网络

作者|360 董健 编辑|Vincent,Emily AI 前线导语:在第一篇文章《ImageNet 冠军带你入门计算机视觉:监督学习与神经网络的简单实现》中,...

2730
来自专栏IT派

干货:Excel图解卷积神经网络结构

先坦白地说,有一段时间我无法真正理解深度学习。我查看相关研究论文和文章,感觉深度学习异常复杂。我尝试去理解神经网络及其变体,但依然感到困难。

953
来自专栏计算机视觉战队

详聊CNN的精髓

现在的深度学习发展速度已经超出每个人的想象,很大一部分人只是觉得我用他人的框架去实现自己的目的,并且效果很好就可以了,这也是现在一大部分的一个瓶颈。曾经有一个老...

3425
来自专栏xingoo, 一个梦想做发明家的程序员

吴恩达机器学习笔记 —— 18 大规模机器学习

有的时候数据量会影响算法的结果,如果样本数据量很大,使用梯度下降优化参数时,一次调整参数需要计算全量的样本,非常耗时。

641
来自专栏达观数据

达观数据深度学习资料之卷积神经网络(下篇)

达观数据深度学习资料之卷积神经网络(下篇) 4.2什么是池化? 在通过卷积获得特征后进行分类,依然面临计算量大的挑战。及时一张96×96像素的图片,经过400...

34610
来自专栏企鹅号快讯

深入机器学习系列8-Gradient-boosted tree

梯度提升树 1 Boosting   是一类将弱学习器提升为强学习器的算法。这类算法的工作机制类似:先从初始训练集中训练出一个基学习器,再根据基学习器的表现对训...

2016
来自专栏人工智能头条

李理:详解卷积神经网络

2037

扫码关注云+社区