卷积神经网络的最佳解释!
CNN由由可学习权重和偏置的神经元组成。每个神经元接收多个输入,对它们进行加权求和,将其传递给一个激活函数并用一个输出作为响应。整个网络有一个损失函数,在神经网络开发过程中的技巧和窍门仍然适用于CNN。很简单,对吧? 那么,卷积神经网络与神经网络有什么不同呢? 和神经网络输入不同,这里的输入是一个多通道图像(在这种情况下是3通道,如RGB)。 在我们深入之前,让我们先了解一下卷积的含义。 卷积 我们用5 * 5 * 3的滤波器滑过整个图像,并在滑动过程中与滑过的图像部分点积。 每个点积的结果都是标量。 那么,当我们将整个图像与滤波器进行卷积时会发生什么? 卷积结果的大小28是怎么来的留给读者思考。(提示:有28 * 28个独特的位置,滤波器可以放在图像上) 现在回到CNN 卷积层是卷积神经网络的重要部分。 卷积层包含一组独立的滤波器(在所示的例子中是6个)。每个滤波器都与图像独立卷积,最终形成6个形状为28 * 28 * 1的特征图。 假设我们有多个卷积层。然后会发生什么? 所有这些滤波器都是随机初始化的,并在网络训练过程中学习参数。 下面是训练好的网络的例子。 看看第一层中的滤波器(...