前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >卷积神经网络基础知识

卷积神经网络基础知识

作者头像
zhuanxu
发布2018-09-07 16:22:17
5500
发布2018-09-07 16:22:17
举报
文章被收录于专栏:进击的程序猿

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 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018.01.10 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 卷积网络概述
  • 卷积核图形解释
  • 总结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档