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
训练后,预测很快。
任意数量的输入和层,CNN都可以进行训练。
神经网络在拥有更多数据点时效果最佳。
7.卷积神经网络教程–应用
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