前面關於神經網路的介紹，我們想想為什麼 dnn 在訓練後能夠正確地分類？那肯定是它學到了東西，學到什麼東西呢？它學到了中的某些空間結構，不同數字它們的空間結構肯定是不一樣的，而這樣的空間結構就是由畫素點與畫素點之間的關係形成。我們再仔細看 dnn輸入層和第乙個隱藏層，發現它對我們輸入的784個畫素點是同等對待的，也就是說它此時並沒有考慮畫素點與畫素點之間的關係。有沒有乙個好點的模型能夠考慮到這點呢？那就是cnn (卷積神經網路convolutional neural networks, cnn)。
在每次的卷積操作後都使用了乙個叫做relu的操作。relu 表示修正線性單元（rectified linear unit），是乙個非線性操作。它的定義如下所示：
relu 是乙個元素級別的操作（應用到各個畫素），並將特徵圖中的所有小於 0 的畫素值設定為零。relu 的目的是在 convnet 中引入非線性，因為在大部分的我們希望 convnet 學習的實際資料是非線性的（卷積是乙個線性操作——元素級別的矩陣相乘和相加，所以我們需要通過使用非線性函式 relu 來引入非線性。其他非線性函式，比如 tanh 或者 sigmoid 也可以用來替代 relu，但 relu 在大部分情況下表現是更好的。
//以caffemodel為例
cv_exports_w net readnetfromcaffe
(const string &prototxt,
const string &caffemodel =
string()
);
#include
#include
//包含dnn模組標頭檔案
#include
using namespace std;
using namespace cv;
using namespace cv:
:dnn;
//以bvlc_googlenet.caffemodel為例
string bin_model =
"f:/code/opencv_tutorial/data/models/googlenet/bvlc_googlenet.caffemodel"
;//模型的權重檔案
string protxt =
"f:/code/opencv_tutorial/data/models/googlenet/bvlc_googlenet.prototxt"
;//模型的描述檔案
//load dnn model
net net =
readnetfromcaffe
(protxt, bin_model)
;
//獲取各層資訊
vector layer_names = net.
getlayernames()
; cout <<
"layer id :"
<<
" "
<<
"layer type:"
<<
" "
<<
"layer name:"
<< endl;
for(
int i =
0; i < layer_names.
size()
; i++
)
//設定計算後台
net.
setpreferablebackend
(dnn_backend_opencv)
;//設定支援裝置
net.
setpreferabletarget
(dnn_target_cpu)
;
深度學習 卷積神經網路
一 卷積神經網路基礎 二 lenet 三 常見的一些卷積神經網路 卷積層的超引數 填充和步幅。步幅 stride 每次卷積核在輸入陣列上滑動的行數與列數。多輸入與輸出通道 將3維陣列除寬高外的一維稱為通道維。1 1卷積層 包含1 1的卷積核的卷積層。1 1卷積核在不改變輸入高寬的情況下調整通道數。如...
深度學習 卷積神經網路
卷積神經網路 convolutional neural networks,cnn 是一類包含卷積計算且具有深度結構的前饋神經網路 feedforward neural networks 是深度學習 deep learning 的代表演算法之一。卷積神經網路具有表徵學習 representation ...
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...