之前的課程中，我們介紹的都是傳統神經網絡結構，也稱為全連接層神經網絡。傳統神經網絡在許多應用中都有著不錯的表現和性能。但是在某些領域問題中，其性能受限，表現卻并不完美。因此，本文我們將討論一種新的神經網絡結構：卷積神經網絡（Convolutional Neural Networks，CNN）。

為什么選擇 CNN

在機器視覺（Computer Vision，CV）、圖像識別領域，傳統神經網絡結構存在兩個缺點：

• 輸入層維度過大。例如一張 64x64 的三通道圖片，神經網絡輸入層的維度為 12288。如果圖片尺寸較大，是 1000x1000 的三通道圖片，神經網絡輸入層的維度將達到三百萬，使網絡權重 W 數值非常龐大。這樣會造成兩個后果，一是神經網絡結構復雜，樣本訓練集不夠，容易出現過擬合；二是訓練網絡所需的內存和計算量都十分龐大，模型訓練更加困難。

• 不符合圖像特征提取的機制。我們知道傳統神經網絡是將二維或者三維（包含 RGB 三通道）圖片拉伸成一維特征，作為神經網絡的輸入層。這種操作實際上是將圖片的各個像素點獨立開來，忽略了各個像素點之間的區域性聯系。而我們知道，圖片是以區域特征為基礎的，比如圖片的這塊區域組成了眼睛，那塊區域組成了鼻子。人臉的視覺機制也是從邊緣、輪廓、局部特征等等來捕獲圖片信息的。傳統神經網絡結構并不具備這樣的功能，因此在性能上不會表現得特別突出。

基于傳統神經網絡的這兩個缺點，一種新的神經網絡結構：卷積神經網絡應運而生。接下來我們就開始詳細介紹 CNN。

邊緣檢測

在介紹 CNN 之前，我們先來了解一下圖片的邊

總結

以上是生活随笔為你收集整理的第15课：卷积神经网络（CNN）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。