典型的卷积神经网络由卷积层、池化层、全连接层构成。在这里以LeNet5网络来说明,下图是这个网络的结构:
网络的输入为的灰度图像,由3个卷积层,2个池化层,1个全连接层组成。前面两个卷积层后面都有一个池化层。输出层有10个神经元,表示0-9这10个数字。
卷积层
卷积层:顾名思义是卷积神经网络中最为重要的部分,它的主要功能我们可以认为是提取特征,通过卷积核作为滤波器从而进行特征提取。通过将卷积核中的每一个数值和图像中对应的数值成对相乘累加来作为新的特征。
池化层
用于卷积层之间,用于压缩数据和参数量的,简而言之,就是压缩图像,进行下采样。池化包括Max pooling(最大池化) 和 average pooling(平均池化)。
全连接层
类似于传统的神经网络,将相邻两层之间的所有神经元相连,是将上一层得到的输出全部拉平,假设最后一个卷积层的输出为7×7×512,连接此卷积层的全连接层为1×1×4096。目的是利用卷积和池化层得到的高级特征作为新的一维特征,来进行进一步的分类等任务。
《深度学习》之CNN详细目录
以上视频出自《机器学习与应用》作者雷明亲授的31集精品课《深度学习》课程,5.1优惠150元。点击试听前三集:深度学习
第 7 集卷积神经网络1
第 8 集卷积神经网络2
第 9 集卷积神经网络3
第 10 集卷积神经网络4
第 11 集卷积神经网络5