卷积神经网络CNN(Convoluted Neural Network)

CNN简单介绍

关于CNN卷积神经网络的知识点

---

卷积神经网络

结构

1. 卷积层（Convolutional Layer）

• 设置卷积核和个数，设定步长，每次以卷积核尺寸为大小对原始图片矩阵不断进行卷积运算（说白了就是内积），如下图所示
• 我们发现卷积运算后，第一个feature_map中第三列绝对值最大，说明原始图片有一个竖直方向的特征，同理，第二个feature_map中第三列为0，第二行的绝对值最大，说明原始图片对应地方有一条水平方向的特征，以此类推
• 所以卷积核就相当于一个特征提取器

2. 池化层（Pooling Layer）

• 通过上一层的22卷积核操作后，原来的44图像矩阵被缩小到33，而池化层则通过降采样的方式，在不影响图像质量的情况下压缩图片，减少参数，如下图（采用MaxPooling，大小为22，步长为1，取每个窗口最大值跟新）
• 通常采用如下两种池化方式：
  • MaxPooling：取滑动窗口最大值
  • AveragePooling：取滑动窗口平均值

• Zero Padding（补零）：为了使每次卷积或池化后的图片大小不变而采用的措施（简单数学计算而已）

Flatten Layer & Fully Connected Layer

• 做完上述两步后，就可以把数据“拍平”，丢到Flatten层，然后把Flatten层的output放到Full connected layer 里，然后用softmax对其进行分类