定義

卷積神經網絡用于計算機視覺，也就是計算機圖像（視頻，文本，音頻等），比如，人臉識別，自動駕駛。
卷積神經網絡相當于一個函數，黑盒（接下來破解這個黑盒），有輸入和輸出

運算步驟

1.卷積運算

通過合適的卷積核（濾波器）對原圖像進行卷積運算，得到新的Feature Map，下圖中使用從左上到右下的卷積核，在對原圖進行卷積運算時，最后的結果中可以明顯看出1.00的位置是符合現實的。
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Feature Map。

2.池化

因為現實世界中數據很多，如果每個都進行卷積運算后會得到很多數據，不利于系統的反應，所以加入池化（Pooling），使數據量在減小的時候，也不會順勢數據。
一般使用Max Pooling.

因為圖像的邊緣也充滿了特征，所以引入Padding（填充），用來保存邊緣數據。

3.激活函數

一方面，有利于矩陣計算，另一方面，對后面的梯度下降也是有好處的。

4.全連接層

和前面的每一個神經元都進行連接的。

把Pooling的結果按一維矩陣的形式排排坐。

需要通過訓練得到的

權重如何選擇，以及卷積核如何選擇？

答案是需要訓練。
ImageNet網站進行數據訓練的數據來源
在這個過程中，進行損失函數的計算，不斷正向反向傳播，來不斷減小所有需要的參數。使得損失函數最小。

使用梯度下降方法！

5.超參數的設定

只需要使用已經撘好的、成熟的框架即可。例如VGG16等。

總結

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內容，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站內容還不錯，歡迎將生活随笔推薦給好友。