我們知道神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是這樣的：
那卷積神經(jīng)網(wǎng)絡(luò)跟它是什么關(guān)系呢？
其實卷積神經(jīng)網(wǎng)絡(luò)依舊是層級網(wǎng)絡(luò)，只是層的功能和形式做了變化，可以說是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的一個改進(jìn)。比如下圖中就多了許多傳統(tǒng)神經(jīng)網(wǎng)絡(luò)沒有的層次。
卷積神經(jīng)網(wǎng)絡(luò)的層級結(jié)構(gòu)
? 數(shù)據(jù)輸入層/ Input layer
? 卷積計算層/ CONV layer
? ReLU激勵層 / ReLU layer
? 池化層 / Pooling layer
? 全連接層 / FC layer
1.數(shù)據(jù)輸入層
該層要做的處理主要是對原始圖像數(shù)據(jù)進(jìn)行預(yù)處理，其中包括：
? 去均值：把輸入數(shù)據(jù)各個維度都中心化為0
? 歸一化：幅度歸一化到同樣的范圍
? PCA/白化：用PCA降維；白化是對數(shù)據(jù)各個特征軸上的幅度歸一化
去均值與歸一化效果圖：
去相關(guān)與白化效果圖：
2.卷積計算層
這一層就是卷積神經(jīng)網(wǎng)絡(luò)最重要的一個層次，也是“卷積神經(jīng)網(wǎng)絡(luò)”的名字來源。
在這個卷積層，有兩個關(guān)鍵操作：
? 局部關(guān)聯(lián)。每個神經(jīng)元看做一個濾波器(filter)
? 窗口(receptive field)滑動， filter對局部數(shù)據(jù)計算
先介紹卷積層遇到的幾個名詞：
? 深度/depth（解釋見下圖）
? 步長/stride （窗口一次滑動的長度）
? 填充值/zero-padding
延伸閱讀
- ssh框架 2016-09-30
- 阿里移動安全 [無線安全]玩轉(zhuǎn)無線電——不安全的藍(lán)牙鎖 2017-07-26
- 消息隊列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 論文筆記【圖片目標(biāo)分割】 2017-07-26
- 詞向量-LRWE模型-更好地識別反義詞同義詞 2017-07-26
- 從棧不平衡問題 理解 calling convention 2017-07-26
- php imagemagick 處理 圖片剪切、壓縮、合并、插入文本、背景色透明 2017-07-26
- Swift實現(xiàn)JSON轉(zhuǎn)Model - HandyJSON使用講解 2017-07-26
- 阿里移動安全 Android端惡意鎖屏勒索應(yīng)用分析 2017-07-26
- 集合結(jié)合數(shù)據(jù)結(jié)構(gòu)來看看(二) 2017-07-26
學(xué)習(xí)是年輕人改變自己的最好方式