卷积神经网络基础知识

卷积网络概述

传统的机器学习大多数都需要我们手工去建立feature,这种方法建立出来的feature,大多都是有物理意义的,所以算法最终好不好,就看你特征工程做的怎么样!

现在换到图像识别场景,我们要解决的一个问题就是怎么去从图像中提取特征?这个问题困扰了人们好久,直到卷积神经网络出现,实现了让机器自己去提取图像特征,不在需要人工去定义了。

那如果我们如果直接用DNN来做,会有什么问题呢?看下的例子:

我们对于一个32323的rgb图片,需要3w多的参数,随着图片大小的增加。带来的问题就是参数爆炸。那怎么办呢?一个想发就是参数共享

参数共享的意思就是我们不在是一个神经元和所有的输入连接,而是只是一次只看一部分输入,具体看下图:

我们通过一个卷积核,只看这个卷积核里面的图像内容,有效的减少了参数的数量,下面我们再来一个例子,方便我们更深入的了解下卷积核的思想:

通过卷积核来做参数共享,有效的减少了神经网络的参数数量。

卷积核图形解释

以下内容来自 CNNs from different viewpoints 我们先有下面的图像,卷积核,输出3个矩阵:

具体输出中每个值是通过下面的运算得到:

具体的等式计算:

我们再以神经元连接的视角来看:

如果是全连接的话:

从上面两个图就能看出卷积核只和部门输入连接,而且连接参数还共享。极大的减少了网络的参数个数。

总结

本文是对卷积核的一个简单解释,但是这能帮助我们理解卷积网络到底是怎么工作的。

这是 深度学习系列 的第二篇,你的鼓励是我继续写下去的动力,期待我们共同进步。

这个时代,每个人都是超级个体!关注我,一起成长!

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

来自专栏量子位

一文解读聚类中的两种流行算法

原作:Anuja Nagpal 谢阳 编译自 Medium 量子位 出品 | 公众号 QbitAI 在这篇文章中,Nagpal以简明易懂的语言解释了无监督学习中...

3936
来自专栏数据科学与人工智能

【应用】 信用评分:第7部分 - 信用风险模型的进一步考虑

以满足科学模型开发的主要标志 - 严谨性,可测试性,可复制性和精确性以及可信度 - 考虑模型验证以及如何处理不平衡数据非常重要。 本文概述了可用于满足这些标志的...

1023
来自专栏月色的自留地

从锅炉工到AI专家(6)

1468
来自专栏大数据文摘

机器都会学习了,你的神经网络还跑不动?来看看这些建议

在很多机器学习的实验室中,机器已经进行了上万小时的训练。在这个过程中,研究者们往往会走很多弯路,也会修复很多bug,但可以肯定的是,在机器学习的研究过程中,学到...

1110
来自专栏机器之心

资源 | CPU实时人脸检测,各种朝向都逃不过

作为 CV 重要的组成部分,人脸检测旨在利用卷积神经网络从人脸图像中抽取足够的信息。然而虽然 CNN 能高效处理图像数据,但大多数情况下它的设计都是针对一般图像...

1113
来自专栏数据科学与人工智能

机器学习调优实战

导语 机器学习算法性能很差怎么办?过拟合和欠拟合是什么?调优方法有哪些?如何高效运用trick? 大家知道最近 A.I 非常火,经常看到各种相关技术介绍,像什么...

2845
来自专栏叶茂的专栏

机器学习调优实战

最近我在学习吴恩达的 Machine Learning 课程中看到他讲的关于如何高效对机器学习效果进行调优的内容,感觉非常有用,想给大家分享下。

4.3K1
来自专栏超然的博客

Graph Attention Networks

paper:https://mila.quebec/wp-content/uploads/2018/07/d1ac95b60310f43bb5a0b802452...

2701
来自专栏AI科技大本营的专栏

《深度学习原理与TensorFlow实践》学习笔记(一)

作者 | 王清 目录: 深度学习与TensorFlow简介 深度学习简介 深度学习的由来 神经网络 深度学习(Deep Learning or Feature ...

41611
来自专栏算法channel

机器学习:XGBoost 安装及实战应用

《实例》阐述算法,通俗易懂,助您对算法的理解达到一个新高度。包含但不限于:经典算法,机器学习,深度学习,LeetCode 题解,Kaggle 实战。期待您的到来...

4857

扫码关注云+社区

领取腾讯云代金券