CNN通俗解析 cnn是什么 _小知识

cnn是什么（CNN通俗解析）
CNN基本知识介绍及TensorFlow具体实现，对于初学者或者求职者而言是一份不可多得的资料。

文章插图

定义：简而言之，卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或相似于人工神经网络的多层感知器，常用来剖析视觉图像。卷积神经网络的开创人是着名的盘算机科学家Yann LeCun，目前在Facebook工作，他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人。

文章插图
Yann LeCunn
卷积神经网络的涌现是受到了生物处置进程的启示，因为神经元之间的连资源网接模式相似于动物的视觉皮层组织。

文章插图
人脑的视觉构造
个体皮层神经元仅在被称为感受野的视野受限区域中对刺激作出反响，不同神经元的感受野部分重叠，使得它们能够笼罩全部视野。

文章插图
盘算机视觉与人类视觉
正如上图所示，我们在谈论任何类型的神经网络时，都不可能不提及一点神经科学以及人体（特殊是大脑）及其功效相干的知识，这些知识成为创立各种深度学习模型的重要灵感的起源。
卷积神经网络的架构：

文章插图
卷积神经网络架构
如上图所示，卷积神经网络架构与惯例人工神经网络架构非常类似资源网，特殊是在网络的最后一层，即全衔接。此外，还注意到卷积神经网络能够接收多个特点图作为输入，而不是向量。
下面让我们摸索构成卷积神经网络的根本构件及相干的数学运算进程，并依据在训练进程中学到的特点和属性对图像进行可视化和分类。
输入层|Input Layer：输入层重要是nm3 RGB图像，这不同于人工神经网络，人工神经网络的输入是n1维的矢量。

文章插图
RGB图像
卷积层|Convolution Layer：在卷积层中，盘算输入图像的区域和滤波器的权重矩阵之间的点积，并将其成果作为该层的输出。滤波器将滑过全部图像，反复雷同的点积运算。这里注意两件事：

滤波器必需具有与输入图像雷同数目的通道；
网络越深，应用的滤波器就越多；拥有的滤波器越多，获得的边沿和特点检测就越多；

文章插图

前向卷积运算
卷积层输出的尺码：
输出宽度：

文章插图

输出高度：

文章插图

其中：

W ：输入图像的宽度
H ：输入资源网图像的高度
Fw ：滤波器或内核的宽度
Fh ：滤波器的高度
P ：填充
S ：移动步幅

卷积层输出的通道数等于卷积操作期间应用的滤波器的个数。
为什么选择卷积？有时候可能会问自己，为什么要首先应用卷积操作？为什么不从一开端就展开输入图像矩阵？在这里给出答案，如果这样做，我们最终会得到大批须要训练的参数，而且大多数人都没有能够以最快的方法解决盘算成本昂扬义务的才能。此外，由于卷积神经网络具有的参数会更少，因此就可以避免涌现过拟合现象。
池化层|Pooling Layer：目前，有两种普遍应用的池化操作——平均池化（average pooling）和最大池化（max pooling），其中最大池化是两者中应用最多的一个操作，其后果一般要优于平均池化。池化层用于在卷积神经网络上减小特点空间维度，但不会减小深度。当应用最大池化层时，采取输入区域的最大数目，而当应用平均池化时，采取输入区域的平均值。