一.定義：

卷積神經(jīng)網(wǎng)絡(luò)（CNN），是一類包含卷積計算且具有深度結(jié)構(gòu)前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)（deep learning）的代表算法之一。

卷積神經(jīng)網(wǎng)絡(luò)具有表征能力，能夠按其階層結(jié)構(gòu)對輸入信息進行平移不變分類，因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)。

二.CNN解決的問題?

在CNN出現(xiàn)之前，圖像對于人工智能來說是一個難題，有2個原因：

? ? ?1.圖像需要處理的數(shù)據(jù)量太大，導(dǎo)致成本很高，效率很低。

? ? ?2.圖像在數(shù)字化的過程中很難保留原有的特征，導(dǎo)致圖像處理的準(zhǔn)確率不高。

卷積神經(jīng)網(wǎng)絡(luò) – CNN 解決的第一個問題就是「將復(fù)雜問題簡化」，把大量參數(shù)降維成少量參數(shù)，再做處理。

三.CNN五層網(wǎng)絡(luò)結(jié)構(gòu)

? ? 1.數(shù)據(jù)輸入層

? ? 2.卷積層（提取圖像中的局部特征）

? ? 3.ReLU激勵層

? ? 4.池化層（降低參數(shù)量級）

? ? 5.全連接層

?簡單描述：卷積層負(fù)責(zé)提取圖像中的局部特征；池化層用來大幅降低參數(shù)量級(降維)；全連接層類似傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的部分，用來輸出想要的結(jié)果。

卷積層：卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心， 大多數(shù)計算都是在卷積層中進行的。

? ? ? 神經(jīng)網(wǎng)絡(luò)前部卷積層可以捕捉圖像局部、細(xì)節(jié)信息。輸出圖像的每個像素是感受到輸入圖像很小范圍數(shù)值進行計算的結(jié)果。
? ? ?后面的卷積層感受野逐層加大，用于捕獲圖像更復(fù)雜抽象的信息。經(jīng)過多個卷積層的運算，最后得到圖像在不同尺度的抽象表示。注意卷積層的參數(shù)規(guī)模固定。

??

池化層——數(shù)據(jù)降維，避免過擬合：

通常會在卷積層之間周期性插入一個池化層， 其作用是逐漸降低數(shù)據(jù)體的空間尺寸， 這樣就能夠減少網(wǎng)絡(luò)中參數(shù)的數(shù)量， 減少計算資源耗費， 同時也能夠有效地控制過擬合。

?

全連接層——輸出結(jié)果：

這個部分就是最后一步了，經(jīng)過卷積層和池化層處理過的數(shù)據(jù)輸入到全連接層，得到最終想要的結(jié)果。

經(jīng)過卷積層和池化層降維過的數(shù)據(jù)，全連接層才能”跑得動”，不然數(shù)據(jù)量太大，計算成本高，效率低下。

四.激活函數(shù)

激活函數(shù)（Activation Function），就是在人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元上運行的函數(shù)，負(fù)責(zé)將神經(jīng)元的輸入映射到輸出端。

?作用：

激活函數(shù)的主要作用是完成數(shù)據(jù)的非線性變換，解決線性模型的表達、分類能力不足的問題。

激活函數(shù)的主要作用是改變之前數(shù)據(jù)的線性關(guān)系，如果網(wǎng)絡(luò)中全部是線性變換，則多層網(wǎng)絡(luò)可以通過矩陣變換，直接轉(zhuǎn)換成一層神經(jīng)網(wǎng)絡(luò)。

所以激活函數(shù)的存在，使得神經(jīng)網(wǎng)絡(luò)的“多層”有了實際的意義，使網(wǎng)絡(luò)更加強大，增加網(wǎng)絡(luò)的能力，使它可以學(xué)習(xí)復(fù)雜的事物，復(fù)雜的數(shù)據(jù)，以及表示輸入輸出之間非線性的復(fù)雜的任意函數(shù)映射。

可以說激活函數(shù)是人工神經(jīng)網(wǎng)絡(luò)的驅(qū)動者。

五.CNN 的實際應(yīng)用：

圖片分類、檢索

目標(biāo)定位檢測

目標(biāo)分割

人臉識別

骨骼識別

總結(jié)

以上是生活随笔為你收集整理的【深度学习】CNN算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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