卷积神经网络详解(上)

卷积层

卷积操作就是用卷积后得到的图组数据重构输入图像,然后作为后续输入 我们得到一些数据,作为网络的输入,在CNN中有滤波器,现在我们假设只有一个滤波器,如图所示

这些滤波器空间维度很小,但是它的深度一定要覆盖输入数据的深度。我们用这个滤波器来和输入图像做卷积运算,卷积运算就是指这个滤波器要在图像的空域范围内全部位置滑动,而且在每一个位置滤波器和图像做点乘。滤波器是我们要学习的。表示为w。

当滤波器在输入数据滑动结束后得到的结果,称为激活图。激活图给出了在每个空间位置处滤波器的反应。将55的滤波器在3232的输入数据上滑动,我们得到28*28的激活图,指示滤波器在输入数据移动的所有位置

实际上,我们会设置多个滤波器,这些滤波器之间互不干扰。假设我们有6个滤波器,那么最终会得到6个激活图

如何根据滤波器大小和步长确定激活图的大小呢,下面给出了例子

有时候为了得到与原图像相同大小的激活图(一般在卷积层不会改变原来图像的大小),需要在原图像四周补0,补0的方法如下

总结

池化层

  • 下采样使表达变小而且更可管理
  • 独立操作每个激活映射 常见的池化方法为最大池化 总结

全连接层

全连接层负责计算各类得分

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

来自专栏漫漫深度学习路

softmax交叉熵与最大似然估计

其实我们常用的 softmax 交叉熵损失函数,和 最大似然估计是等价的。 首先来看 softmax 交叉熵目标函数是什么样子的: 对于N个样本 [图片] ...

49390
来自专栏贾志刚-OpenCV学堂

卷积神经网络是如何实现不变性特征提取的

传统的图像特征提取(特征工程)主要是基于各种先验模型,通过提取图像关键点、生成描述子特征数据、进行数据匹配或者机器学习方法对特征数据二分类/多分类实现图像的对象...

19620
来自专栏ml

读RCNN论文笔记

1. RCNN的模型(如下图)描述:              RCNN相比传统的物体检测,还是引入传统的物体检测的基本流程,先找出候选目标物体,逐个的提取特征...

34660
来自专栏杨熹的专栏

神经网络 之 感知器的概念和实现

本文结构: 什么是感知器 有什么用 代码实现 ---- 1. 什么是感知器 如下图,这个神经网络中,每个圆圈都是一个神经元,神经元也叫做感知器 ? 只有一个隐藏...

38140
来自专栏书山有路勤为径

Advanced CNN Architectures(R-CNN系列)

除了将该图像标记为猫外,还需要定位图中的猫,典型方法是在该猫周围画一个边界框,这个方框可以看做定义该方框的一系列坐标,(x,y) 可以是方框的中心w 和 h 分...

9420
来自专栏技术小站

吴恩达深度学习 course4 卷积神经网络

传统的神经网络所存在的问题:图片的输入维度比较大,具体如下图所示,这就造成了权重w的维度比较大,那么他所占用的内存也会比较大,计算w的计算量也会很大

37730
来自专栏计算机视觉战队

卷积神经网络的前向传播

---- CNN的这三个特点是其对输入数据在空间(主要针对图像数据)上和时间(主要针对时间序列数据,参考TDNN)上的扭曲有很强的鲁棒性。CNN一般采用卷积层...

35640
来自专栏红色石头的机器学习之路

Coursera吴恩达《神经网络与深度学习》课程笔记(4)-- 浅层神经网络

上节课我们主要介绍了向量化、矩阵计算的方法和python编程的相关技巧。并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高了程序运算速度...

29600
来自专栏帮你学MatLab

MATLAB智能算法30个案例分析(3-2)

神经网路部分 function err=Bpfun(x,P,T,hiddennum,P_test,T_test) %% 训练&测试BP网络 %% 输入 % x...

35550
来自专栏机器学习算法与Python学习

卷积神经网络详解

注:看本文之前最好能构理解前馈圣经网络以及BP(后向传播)算法,可以看之前发的相关文章或者看知乎、简书、博客园等相关博客。 卷积神经网络(Convolution...

31280

扫码关注云+社区

领取腾讯云代金券