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

来自专栏老秦求学

[Deep-Learning-with-Python]机器学习基础

二分类、多分类以及回归问题都属于监督学习--目标是学习训练输入和对应标签之间的关系。 监督学习只是机器学习的冰山一角。机器学习主要分为4类:监督学习、非监督学...

923
来自专栏计算机视觉战队

特征金字塔特征用于目标检测

前言: 这篇文章主要使用特征金字塔网络来融合多层特征,改进了CNN特征提取。作者也在流行的Fast&Faster R-CNN上进行了实验,在COCO数据集上测...

3977
来自专栏企鹅号快讯

Python数据建模-回归分析

主题 数据建模 我还是一次性将一些理论的知识整理完呗,大家可以选择性地看看就好,后续会找一些实例来练练。 一、分类与预测 分类与预测是预测问题的2种主要实...

4109
来自专栏机器学习算法工程师

机器学习中的超参数的选择与交叉验证

1. 超参数有哪些   与超参数对应的是参数。参数是可以在模型中通过BP(反向传播)进行更新学习的参数,例如各种权值矩阵,偏移量等等。超参数是需要进行程序员自己...

3469
来自专栏LhWorld哥陪你聊算法

【机器学习】--Adaboost从初始到应用

AdaBoost算法和GBDT(Gradient Boost Decision Tree,梯度提升决策树)算法是基于Boosting思想的机器学习算法。在Boo...

942
来自专栏人工智能

机器学习之——梯度下降算法

机器学习算法大都遵从同样的套路:设定需要学习的参数,通过最优化算法来最小(大)化学习目标,从而得到一组最好的待学习参数。例如,线性回归z=ax+by中,参数就是...

23510
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...

35410
来自专栏人工智能头条

李理:详解卷积神经网络

2137
来自专栏决胜机器学习

机器学习(十二) ——神经网络代价函数、反向传播、梯度检验、随机初始化

机器学习(十二)——神经网络代价函数、反向传播、梯度检验、随机初始化 (原创内容,转载请注明来源,谢谢) 一、代价函数 同其他算法一样,为了获得最优化的神经网...

3824
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,...

3050

扫码关注云+社区