一句话归纳:
1)用1个小粒度的模式,逐个与图像的局部区域进行运算,运算结果反映模式与区域的匹配程度。
2)卷积神经网络与全连接神经网络的区别:
- 卷积神经网络的输出只与局部输入有连接。
- 参数较少,按图示为3*3+1=10个。
- 模式叫做卷积神经网络 的卷积核。
3)卷积计算举例,"口"字与"橫"模式进行运算:
运算结果:
- 横的上边缘概率为1,虚横的下边缘概率为1。
4)在前一层神经元四周填0,使得经卷积运算后神经元个数不变:
5)同一个输入可以与多个卷积核进行运算,得到多个输出,称作多通道:
6)输入为多通道,卷积核的通道数必须和输入一致,计算结果是一维:
7)卷积核大小,体现在提取的特征粒度大小。
8)卷积核在不同的层次上,提取的特征粒度也不同:
9)池化,池化后通道数不变。
10)用卷积神经网络做数字识别的应用实例:
参数个数:
6*5*5
16*5*5*6
16*5*5*120
120*84
84*10
每个卷积核加个偏置。
每个神经元加个偏置。