软件ui设计怎么做网站,创新创意设计作品,网络营销策划书范文模板,西安官网设计公司大家好#xff0c;这里是七七#xff0c;今天来更新关于CNN相关的内容同了。本文是针对CNN原理的说明#xff0c;但对于小白不是非常友好#xff0c;建议先掌握神经网络相应知识再进行阅读哦。 一、卷积与互相关
卷积
卷积运算是对两个函数进行的一种数学运算#xff0c…大家好这里是七七今天来更新关于CNN相关的内容同了。本文是针对CNN原理的说明但对于小白不是非常友好建议先掌握神经网络相应知识再进行阅读哦。 一、卷积与互相关
卷积
卷积运算是对两个函数进行的一种数学运算结果是一个新的函数如果第一个函数为f(x)第二个为g(x)那么其卷积运算被定义为 对于这种运算如果用手算的话我们一般先画出f(t)再画出g(t)然后再对gt沿y轴翻过去变为g(-t)然后根据偏移量x来进行平移最后再相乘就可以得到对应点的卷积值了 值得一提的是卷积运算满足交换律 互相关
互相关运算与卷积运算极为相似其公式是这样的 计算过程同上不再赘述。
值得一提的是互相关运算不满足交换律
二、卷积核与特征映射图
在图像处理领域中我们经常使用卷积神经网络CNN来进行处理。一般来说用卷积操作或互相关操作两者的作用是完全相同的。但出于算法简便性考虑一般用互相关运算。其实很多神经网络平台提供的库函数中所使用的就是互相关而非卷积但习惯地称之为卷积。
再用CNN处理图像时待处理的图像称之为输入并表示为一个二元离散函数f(m,n)。为了从图片中提取出来特征我们还需要另一个函数与图像进行卷积从而提取出相应的特征而对应的函数就是卷积核或核函数g(n,m)。卷积的结果是一个新的二元离散函数被称为特征映射图。这一过程被称为特征提取。
三、CNN的一般结构
在第二部介绍过特征提取物过程就是用核函数与原始数据进行卷积从而提取出特征。下一步就是用激活函数对特征映射图进行非线性处理如把小于0的数据都变为0。接着就是采用池化函数分别对特征图进行池化原理就是使用图像中某个位置及其周边相邻位置的总体统计特征来代替该位置的取值。可以采用最大池化、平均池化等一系列方法。池化的目的是亚索图像的尺寸凸显特征。最后呢就是需要将池化后的数据展开为1维的数据然后投入MLP中进行训练。
在这一过程中也有一些术语这里简要介绍一下 卷积级将原始图像与核函数进行卷积这一过程探测级用激活函数对特征映射图进行非线性处理池化级池化这一过程卷积层卷积级、探测级、池化级合起来 因此呢框架也就基本确定了CNN的一般架构在大的层面上可分为卷积层MLP层。其中卷积层权值不变MLP层权值会改变。
当然也可以设立很多个卷积层1、卷积层2......卷积层中也可能存在某些带训练的参数如偏移量。
三、边界策略和池化
边界策略
一般来说输入图像的尺寸远大于核函数的尺寸而特征图的尺寸不仅取决于原始尺寸和核函数与边界策略也有关系。
所幸的是边界策略一般不是那么重要因为一般来说图像的特征更多会集中在中心与边界关系不大
池化
这里比较重要的是步幅就是每次池化窗口移动的距离。最为常见的情况是等于池化窗口边长-1。
池化还有一个很重要的特征就是对局部微小位移的不变性。也就是说被池化的图像中所有像素或部分像素发生了微小位移后池化的结果并不会发生改变。
