圖解何為CNN

CNN － Convolutional Neural Networks

是近些年在機(jī)器視覺(jué)領(lǐng)域很火的模型，最先由 Yan Lecun 提出。
如果想學(xué)細(xì)節(jié)可以看 Andrej Karpathy 的 cs231n 。

How does it work?

給一張圖片，每個(gè)圓負(fù)責(zé)處理圖片的一部分。
這些圓就組成了一個(gè) filter。
filter 可以識(shí)別圖片中是否存在指定的 pattern，以及在哪個(gè)區(qū)域存在。

下圖中有4個(gè)filter，每個(gè)filter的平行的點(diǎn)會(huì)負(fù)責(zé)圖片上相同的區(qū)域。

神經(jīng)元利用 convolution 的技術(shù)查找pattern，簡(jiǎn)單地理解就是用 filter 的形式去查找圖片是否具有某種 pattern。

weights 和 bias 對(duì)模型的效果起著重要的作用。

把白圓圈換成神經(jīng)元，就是CNN的樣子。

Convolution層的神經(jīng)元之間沒(méi)有聯(lián)系，它們各自都只連接inputs。

同一層的神經(jīng)元用相同的 weights 和 bias，這樣同一層的神經(jīng)元就可以抓取同樣的pattern，只不過(guò)是在圖片上的不同的區(qū)域。

接下來(lái)是 ReLU（Rectified Linear Unit） 層和 Pooling 層，它們用來(lái)構(gòu)建由 convolution 層找到的 pattern。

CNN 也用 Back propagation 訓(xùn)練，所以也有 vanishing gradient 的可能。而 ReLU 作為激活函數(shù)的話，gradients會(huì)大體保持常值的樣子，這樣就不會(huì)在關(guān)鍵的那幾層有很明顯的下降。

Pooling 層是用來(lái)降維的。
經(jīng)過(guò) convolution 和 ReLU 的作用后，會(huì)有越來(lái)越復(fù)雜的形式，所以Pooling 層負(fù)責(zé)提取出最重要的 pattern，進(jìn)而提高時(shí)間空間的效率。

這三層可以提取出有用的 pattern，但它們并不知道這些 pattern 是什么。
所以接著是 Fully Connected 層，它可以對(duì)數(shù)據(jù)進(jìn)行分類。

一個(gè)典型的 Deep CNN 由若干組 Convolution－ReLU－Pooling 層組成。

但CNN也有個(gè)缺點(diǎn)，因?yàn)樗潜O(jiān)督式學(xué)習(xí)，所以需要大量的有標(biāo)簽的數(shù)據(jù)。

總結(jié)

以上是生活随笔為你收集整理的图解何为CNN的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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