卷积神经网络的基本概念——【1】卷积和池化

卷积神经网络利用滤波器(即内核)来检测图像中展示的特征,例如边缘。卷积神经网络四个主要的操作如下:

  • 卷积
  • 非线性(ReLU)
  • 池化或子采样(Sub Sampling)
  • 分类(全连接层)

一、卷积

卷积是两股信息源交织在一起的有序的过程;亦是一个把函数转换成其它东西的操作。

卷积已经长时间在图像处理中被用于模糊和锐化图像,但也执行其它操作如增强边缘和浮雕(emboss)。卷积神经网络增强了相邻神经元之间的局部连接模式。

卷积层:

卷积神经网络的第一层永远是卷积层。卷积层对输入进行卷积操作,把结果传给下一层。一个卷积操作将感受野内的所有像素转换昵称一个值。例如,如果你对一个图像进行卷积操作,相当于你把图像尺寸变小了,或者说把感受野内所有的信息变成了一个像素。最后卷积层的输出就变成了一个vector向量,如[1,2,3]这种。基于要处理问题的类型和我们希望学习的特征的种类,我们可以使用不同种类的卷积。

二、池化

池化操作包括在特征图的每个通道上滑动一个二维的滤波器,并求出被滤波器覆盖的区域的特征和。

对于一个维度为的 特征图,经过一个池化层获得的输出的维度为:

其中, 分别为特征图的高度、宽度、通道数目。f为滤波器的大小,s为滤波器移动的步长。

一个常见的卷积神经网络模型结构有多个卷积和池化层,一个个堆叠在一起。

使用池化的原因:池化层被用于减少特征图的维度,由此可以减少需要学习的参数和网络中计算的次数;池化层对卷积层产生的特征图的区域中的特征进行了求和,因此,更进一步的操作是在求和的特征上进行的,而不是被卷积层产生的精准位置的特征。池化使得模型对于输入图片的特征位置的变化更具有鲁棒性。

最大池化(max pooling):

平均池化是将滤波器覆盖范围内的特征图中的元素取平均值。因此最大池化就是给出特征图 特定批次patch的最显著特征,即取元素最大值。示例图如下:

相关推荐
蹦蹦跳跳真可爱5891 小时前
Python----深度学习(基于深度学习Pytroch簇分类,圆环分类,月牙分类)
人工智能·pytorch·python·深度学习·分类
lixy5795 小时前
深度学习3.7 softmax回归的简洁实现
人工智能·深度学习·回归
多巴胺与内啡肽.7 小时前
深度学习--自然语言处理统计语言与神经语言模型
深度学习·语言模型·自然语言处理
深度之眼7 小时前
2025时间序列都有哪些创新点可做——总结篇
人工智能·深度学习·机器学习·时间序列
沅_Yuan7 小时前
基于贝叶斯优化的Transformer多输入单输出回归预测模型Bayes-Transformer【MATLAB】
神经网络·matlab·回归·贝叶斯·transformer·回归预测
不吃香菜?9 小时前
PyTorch 实现食物图像分类实战:从数据处理到模型训练
人工智能·深度学习
Light6010 小时前
智启未来:深度解析Python Transformers库及其应用场景
开发语言·python·深度学习·自然语言处理·预训练模型·transformers库 |·|应用场景
数据智能老司机10 小时前
构建具备自主性的人工智能系统——在生成式人工智能系统中构建信任
深度学习·llm·aigc
谦行11 小时前
工欲善其事,必先利其器—— PyTorch 深度学习基础操作
pytorch·深度学习·ai编程
xwz小王子12 小时前
Nature Communications 面向形状可编程磁性软材料的数据驱动设计方法—基于随机设计探索与神经网络的协同优化框架
深度学习