定義

卷積神經(jīng)網(wǎng)絡(luò)用于計(jì)算機(jī)視覺(jué)，也就是計(jì)算機(jī)圖像（視頻，文本，音頻等），比如，人臉識(shí)別，自動(dòng)駕駛。
卷積神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)函數(shù)，黑盒（接下來(lái)破解這個(gè)黑盒），有輸入和輸出

運(yùn)算步驟

1.卷積運(yùn)算

通過(guò)合適的卷積核（濾波器）對(duì)原圖像進(jìn)行卷積運(yùn)算，得到新的Feature Map，下圖中使用從左上到右下的卷積核，在對(duì)原圖進(jìn)行卷積運(yùn)算時(shí)，最后的結(jié)果中可以明顯看出1.00的位置是符合現(xiàn)實(shí)的。
以此類推，使用中間的3維矩陣和從左下到右上的3維矩陣即可得到3個(gè)Feature Map。

2.池化

因?yàn)楝F(xiàn)實(shí)世界中數(shù)據(jù)很多，如果每個(gè)都進(jìn)行卷積運(yùn)算后會(huì)得到很多數(shù)據(jù)，不利于系統(tǒng)的反應(yīng)，所以加入池化（Pooling），使數(shù)據(jù)量在減小的時(shí)候，也不會(huì)順勢(shì)數(shù)據(jù)。
一般使用Max Pooling.

因?yàn)閳D像的邊緣也充滿了特征，所以引入Padding（填充），用來(lái)保存邊緣數(shù)據(jù)。

3.激活函數(shù)

一方面，有利于矩陣計(jì)算，另一方面，對(duì)后面的梯度下降也是有好處的。

4.全連接層

和前面的每一個(gè)神經(jīng)元都進(jìn)行連接的。

把Pooling的結(jié)果按一維矩陣的形式排排坐。

需要通過(guò)訓(xùn)練得到的

權(quán)重如何選擇，以及卷積核如何選擇？

答案是需要訓(xùn)練。
ImageNet網(wǎng)站進(jìn)行數(shù)據(jù)訓(xùn)練的數(shù)據(jù)來(lái)源
在這個(gè)過(guò)程中，進(jìn)行損失函數(shù)的計(jì)算，不斷正向反向傳播，來(lái)不斷減小所有需要的參數(shù)。使得損失函數(shù)最小。

使用梯度下降方法！

5.超參數(shù)的設(shè)定

只需要使用已經(jīng)撘好的、成熟的框架即可。例如VGG16等。

總結(jié)

以上是生活随笔為你收集整理的卷积神经网络理解的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。