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
IT猿手16 小时前
基于CNN-LSTM的深度Q网络(Deep Q-Network,DQN)求解移动机器人路径规划,MATLAB代码
网络·cnn·lstm
hyshhhh16 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
薛定谔的猫-菜鸟程序员16 小时前
零基础玩转深度神经网络大模型:从Hello World到AI炼金术-详解版(含:Conda 全面使用指南)
人工智能·神经网络·dnn
Listennnn17 小时前
优雅的理解神经网络中的“分段线性单元”,解剖前向和反向传播
人工智能·深度学习·神经网络
牙牙要健康19 小时前
【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解
pytorch·深度学习·目标检测
Scc_hy20 小时前
强化学习_Paper_1988_Learning to predict by the methods of temporal differences
人工智能·深度学习·算法
誉鏐20 小时前
从零开始设计Transformer模型(1/2)——剥离RNN,保留Attention
人工智能·深度学习·transformer
神经星星20 小时前
无需预对齐即可消除批次效应,东京大学团队开发深度学习框架STAIG,揭示肿瘤微环境中的详细基因信息
人工智能·深度学习·机器学习
Xiaok101821 小时前
解决 Hugging Face SentenceTransformer 下载失败的完整指南:ProxyError、SSLError与手动下载方案
开发语言·神经网络·php
程序员Linc21 小时前
写给新人的深度学习扫盲贴:向量与矩阵
人工智能·深度学习·矩阵·向量