原标题：卷积神经网络指引——CNN架构

来源： AI研习社       链接：https://www.yanxishe.com/TextTranslation/1784

1. CNN教程–目标

在本卷积神经网络教程中，我们将研究什么是CNN及其体系结构。此外，我们将讨论卷积神经网络的历史，术语，应用和优势。因此，让我们开始CNN教程。

2.什么是卷积神经网络？

在机器学习中，CNN是一类深度学习和前馈学习。它已成功地应用于分析视觉图像。

CNN由具有可学习的权重和偏置的神经元组成。由于每个神经元接收一些输入。此外，执行点积。神经网络仍然适用这一特点。

3.卷积神经网络教程–历史

由于这些卷积网络是受到生物学过程启发的。神经元之间的连通性模式是受动物视觉皮层启发的。虽然，单个皮层神经元仅用于响应仅在视野的受限区域（称为感受野）中的刺激。此外，不同神经元的该区域部分重叠，使得它们覆盖整个视野。

4.卷积神经网络的重要术语

在卷积神经网络教程的这一部分中，我们将研究CNN中使用的一些术语：

a.共享权重

在CNN中，我们必须在整个视野中复制每个过滤器。同样，我们使用这些复制的单元来共享相同的参数，并形成特征图。

CNN教程–权重共享

在上图中，我们将显示属于同一特征图的3个隐藏单元。相同颜色单元必须共享的权重-约束条件也相同。我们使用梯度下降来学习共享参数。因此，我们可以说共享权重的梯度仅仅是共享参数的梯度之和。

看看使用CNN进行深度学习的迁移学习

b.详细信息和符号

首先，我们使用线性滤波器对输入图像进行卷积。然后将添加一个偏差项，然后对其应用非线性函数。

如果我们给定层的第k个特征图，其滤波器由权重和偏置确定。然后，按如下方式获得特征图（对于非线性）

CNN的详细信息和符号

5. 卷积神经网络结构

可以说，CNN由许多卷积层和降采样层组成。 在这些层之后可以选择连接全连接层。 卷积层输入的是m x m x r的图像。 其中，m是图像的高度和宽度，r是通道数。

例子：

我们输入的图像是r=3的RGB图像。 同时该层具有k个大小为n x n x q的滤波器，其中：n 小于图像的尺寸；q 可以与通道数r相同；
由于这种尺寸的滤波器具备局部连接的结构。 它们分别与图像进行卷积生成k个大小为m-n + 1的特征图。 同样，每个特征图通常会在p x p上进行平均或最大池化采样

你知道顶级机器学习算法吗

在此连续区域中，对于小图像，p通常为2；对于大图像，p通常不大于5。在卷积层之后，可以考虑有任意数量的层，层与层相互连接。 虽然，连接的层与标准多层网络中的层相同。

6.卷积神经网络教程–优势

7.卷积神经网络教程–应用

• 通常，我们在飞机弹射座椅测试中使用CNN。

• 通过卷积神经网络可以有效地进行文本分类。

• 基本上，半监督卷积神经网络用于通过区域嵌入进行文本分类。

• 通常，利用卷积神经网络进行句子分类的敏感性分析。

• 卷积神经网络哟用于句子建模。

• 深度卷积神经网络用于短文本情感分析。

让我们回顾一下深度学习的RNN方法。

这就是关于卷积神经网络手册的全部内容，希望你喜欢我们的解释。

8.结论

结果，我们研究了卷积神经网络。此外，了解卷积神经网络架构和CNN的应用这是两个重要的术语。我们还使用图像来更好地理解。此外，如果您有任何疑问，请随时在评论部分提问。

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。   

合作及投稿邮箱：E-mail:editor@tusaishared.com