源自視覺神經原理的卷積神經網絡簡介

基于人們對于生物視覺的研究，科學家們給出了在計算機視覺中的具備良好表現的卷積神經網絡模型。

卷積神經網絡發展概況

1.在這個結構中可以使用反向傳播來訓練權重。

2.Yann LeCun et al在1989年首次展示手寫數字識別。

3.Krizhevsky，Sutskever & Hinton在2012年展示了ImageNet競賽中圖像分類上的有效性。

4.Girshick，Donahue，Darrell & Malik（arxiv，2013）（CVPR 2014）展示卷積網絡對于目標檢測同樣可行。

5……

LeNet 1989

最早的卷積神經網絡的模型

卷積操作：卷積窗口的大小需要指定
池化操作：
特征圖：
構成卷積神經網絡的基礎

全連接VS局部連接

全連接

某一層的某一個結點，要和上一層所有的結點都有連接。

局部連接

卷積是局部化的連接方式，也就是說某一層的某一個結點跟前一層之間的連接不是全部，而是針對一個小窗口。

網絡連接結構

卷積——>池化——>循環——>累加===》網絡連接結構

卷積網絡深入理解

Convolution

卷積的輸入通常是針對一個圖像來說的，是一個二維的結構輸入單元。
卷積的時候是將一個局部感知野的內容信息合到一個hidden neuron過程。
通過這樣的方式匯集視覺的信息內容。

神經元對一個指定大小的窗口的內容抽取到第一個隱藏層的第一個單元的位置上。
可以使用stride length控制移動像素大小。

共享權重

使用一個指定大小的窗口去掃動整個圖片的時候，對應的鏈接是同樣的權重。

特征圖 Feature map

池化 Pooling

max-pooling units：找出最大值輸出到下一層。
L1 pooling：取激活值的平方和的平方根。

總結

以上是生活随笔為你收集整理的PaddlePaddle训练营——公开课——AI核心技术掌握——第2章机器能“看”的现代技术——源自视觉神经原理的卷积网络简介及深入理解的全部內容，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。