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
明月照山海-4 小时前
机器学习周报十
深度学习·机器学习·cnn
无规则ai6 小时前
动手学深度学习(pytorch版):第六章节—卷积神经网络(1)从全连接层到卷积
人工智能·pytorch·python·深度学习·cnn
赴3357 小时前
深度学习(深度神经网络)Pytorch框架
pytorch·深度学习
山烛12 小时前
深度学习:CUDA、PyTorch下载安装
人工智能·pytorch·python·深度学习·cuda
小饼干超人12 小时前
【cs336学习笔记】[第6课]内核优化与Triton框架应用
深度学习·大模型·推理加速
深瞳智检13 小时前
目标检测数据集 第007期-基于yolo标注格式的茶叶病害检测数据集(含免费分享)
人工智能·深度学习·yolo·目标检测·计算机视觉
CoovallyAIHub15 小时前
目标检测模型评估金标准:mAP全解读,Coovally助你高效调参!
深度学习·算法·计算机视觉
CoovallyAIHub15 小时前
基于视觉的果园无人机导航:一种基于干预模仿学习与VAE控制器的真实世界验证
深度学习·算法·计算机视觉
、水水水水水17 小时前
RAG学习(五)——查询构建、Text2SQL、查询重构与分发
人工智能·python·深度学习·nlp
瑶光守护者17 小时前
【卫星通信】超低码率语音编码ULBC:EnCodec神经音频编解码器架构深度解析
深度学习·音视频·卫星通信·语音编解码·ulbc