一、卷積神經網路基礎
· cnn是一種空間上共享引數的神經網路，它通過正向和反向傳播，自己學習識別物體。它可能有幾層網路構成，第一層是抽象層次的最底層，cnn一般把中的較小的部分識別成簡單的形狀，下一層將會上公升到更高的抽象層次，一般會識別更複雜的概念，以此類推，直至識別整個物體。
· cnn的學習方式：
· 層次關係：簡單的形狀 → 複雜的物體 → 物體（例如狗）的整體
· cnn網路結構組成：
· 要素的構成：一張32x32x3的意味著的長為32px，寬為32px，3代表這是一張rgb（即三通道：red/green/blue），在這裡也可以認為的深度。（補充：當深度為1的時候是單通道也就是我們常說的灰度圖，每個畫素點智慧型有乙個值表示顏色，它的畫素值在0-255之間，0是黑色，255是白色，中間值是一些不同等級的灰色。）
二、一種典型的卷積神經網路結構
· 』通常由輸入層、卷積層、最大池化層、全連線層以及輸出層構成。
image→ convolution → max pooling → convolution → max pooling → fully connected → fully connected → classifier
· 卷積層實際上就是將相鄰的畫素聚在一起，視作乙個集合，cnn 要學習如何分類臨近模式。
它的第一步就是把切成小塊，我們通過選取乙個給定寬度和高度的濾波器來實現這一步。
備註：每個patch連線多少神經元取決於濾波器的深度，如果深度是k，我們把每個patch與下一層的k個神經元相連。這樣下一層的高度就是k。多個神經元的作用在於乙個patch可以有多個意義的，可供提取的特點。乙個給定的patch的分類，是由patch對應的權重和偏置項決定的。
· 池化： 濾鏡每次移動步幅較小的情況下，我們通過某種方法把相鄰的所有卷積結合在一起。
最大池化：在特徵圖的每乙個點檢視它周圍很小範圍的點，計算附近所有點的最大值。
使用最大池化的優點：不會增加引數數量（避免過擬合）；
提高模型的準確率；
模型需要更多計算量；
更多的超參需要調整（池區尺寸、池化步幅等）
卷積神經網路筆記
卷積神經網路依舊是乙個可導的評分函式，該函式輸入為原始影象畫素，輸出是不同類別的評分。並假設輸入資料是影象，基於該假設，向結構中新增一些特有性質。常規神經網路的輸入是乙個向量，對大尺寸影象效果不好，效率低下，大量引數導致網路過擬合。神經元的各層三維排列 寬度，高度和深度 深度是指啟用函式資料體的第3...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...