卷積神經網路的基本結構有哪些

㈠ 卷積神經網路的結構

卷積神經網路的基本結構由以下幾個部分組成：輸入層，卷積層，池化層，激活函數層和全連接層。

卷積神經網路（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網路（Feedforward Neural Networks），是深度學習（deep learning）的代表演算法之一。

卷積神經網路具有表徵學習（representation learning）能力，能夠按其階層結構對輸入信息進行平移不變分類（shift-invariant classification），因此也被稱為「平移不變人工神經網路（Shift-Invariant Artificial Neural Networks, SIANN）」。

連接性

卷積神經網路中卷積層間的連接被稱為稀疏連接（sparse connection），即相比於前饋神經網路中的全連接，卷積層中的神經元僅與其相鄰層的部分，而非全部神經元相連。

具體地，卷積神經網路第l層特徵圖中的任意一個像素都僅是l-1層中卷積核所定義的感受野內的像素的線性組合。卷積神經網路的稀疏連接具有正則化的效果，提高了網路結構的穩定性和泛化能力，避免過度擬合。

㈡ 34-卷積神經網路(Conv)

深度學習網路和普通神經網路的區別

全連接神經網路的缺點

卷積神經網路的錯誤率

卷積神經網路的發展歷程

卷積神經網路的結構

結構特點：
神經網路(neural networks)的基本組成包括輸入層、隱藏層、輸出層。而卷積神經網路的特點在於隱藏層分為卷積層和池化層(pooling layer，又叫下采樣層)。

卷積過程

糾正：卷積層的過濾器，就是一個矩陣，裡面的元素是對應掃描時每個像素點的權重

即：每個過濾器會產生一張feature map

0填充的兩種方式
卷積核在提取特徵映射時的動作稱之為padding（零填充），由於移動步長不一定能整出整張圖的像素寬度。其中有兩種方式，SAME和VALID

彩色圖片的卷積過程

由於彩色圖片有3個通道，即3張表，所以filter需要分3次去分別觀察，每次觀察的結果直接相加作為最後的結果

過濾器的個數

有幾個過濾器，就會生成幾張表。eg：
對於[28, 28, 1]的圖片，如果有32個過濾器，就會卷積的結果就為[28, 28, 32]，相當於圖片被「拉長」了

觀察結果大小的計算

面試可能考

注意：如果計算結果出現小數，需要結合情況具體考慮，而不是說直接四捨五入

卷積的api

在卷積神經網路中，主要使用Relu函數作為激活函數

即在這里使用relu函數去掉了像素中小於0的值

神經網路中為什麼要使用激活函數

為什麼使用relu而不再使用sigmoid函數？

api

卷積就是進行特徵的提取，觀察更加仔細，然而，觀察仔細就意味著數據多，運算量增加，這就需要使用池化層以減少計算量

Pooling層主要的作用是特徵提取，通過去掉Feature Map中不重要的樣本，進一步減少參數數量。Pooling的方法很鄭扒多，最常用的是Max Pooling。

池化層也有一個窗口大小（過濾器）

即：池化過程遲叢洞讓圖片變得更「窄」

即：卷積層使得圖片變長，池化層使得圖片變窄，所以經過卷積，圖片越來越「細長」

api

池化中SAME的計算方式與卷積過程中SAME的計算方式一樣。eg：
[None, 28, 28, 32]的數據，經過2x2，步長為2，padding為SAME的池化，碼枯變成了[None, 14, 14, 32]

分析：前面的卷積和池化相當於做特徵工程，後面的全連接相當於做特徵加權。最後的全連接層在整個卷積神經網路中起到「分類器」的作用。

所以神經網路也相當於是一個特徵選擇的方式

㈢ 【CNN常見模型0】卷積神經網路(CNN)模型結構

卷積神經網路(CNN)是深度學習領域的一種重要模型，尤其在圖像識別、處理和理解方面表現出色。CNN的基本結構主要包含輸入層、卷積層、池化層和全連接層，下面將逐一解釋。

輸入層接收圖像數據，並將其表示為矩陣形式，類似於全連接神經網路（DNN）的輸入層，但具有更高效的數據處理能力。

卷積層是CNN的核心組件，其使用卷積核在輸入數據上進行滑動，實現特徵檢測。卷積核與輸入數據在對應位置進行元素相乘，然後求和，形成新的特徵映射。激活函數如ReLU在卷積層後應用，用於引入非線性，增強模型的表達能力。池化層通過下采樣操作減少特徵圖的大小，減少計算量，同時保持重要特徵。通常，池化層不使用激活函數。

卷積層和池化層可以多次組合使用，形成深層網路，捕捉更復雜、更抽象的特徵。全連接層則用於分類決策，其作用類似於DNN中的輸出層，使用Softmax激活函數進行多類別分類。

卷積層和池化層是CNN區別於DNN的關鍵，理解這兩層的原理有助於更好地掌握CNN的工作機制。卷積操作通過在輸入數據上滑動卷積核，實現局部特徵檢測，而池化層則通過下采樣減少數據維度，保持特徵同時降低計算復雜度。

初識卷積時，理解其數學表示至關重要。卷積公式體現了輸入數據與卷積核的元素級乘法與求和操作。對於二維輸入，卷積結果是輸入數據與卷積核在對應位置的元素相乘、求和後的輸出矩陣。當輸入為多維張量時，卷積操作擴展至張量級，即多個子矩陣的元素級乘法與求和。

在CNN中，卷積層與池化層的結合實現深度學習模型的關鍵。卷積層檢測局部特徵，而池化層通過下采樣減少特徵圖的大小，降低計算復雜性，同時保留重要特徵。這些層的組合可以構建深層網路，提高模型的性能。

池化層通過最大值或平均值等方法對輸入張量進行壓縮，減少數據維度，同時也起到了一定程度的特徵選擇作用。這有助於減少模型的參數量，防止過擬合，同時加速計算。

理解了CNN中的卷積層和池化層之後，模型的前向傳播演算法和反向傳播演算法的掌握變得相對容易。通過調整卷積核、池化大小等參數，CNN模型可以實現對復雜圖像數據的有效處理和識別。

總結而言，CNN模型通過卷積層檢測局部特徵、池化層減少數據維度、全連接層進行分類決策，形成了一個高效、強大的深度學習框架，特別適用於圖像處理任務。

㈣ 浠涔堜笉鏄鍗風Н紲炵粡緗戠粶鐨勫眰綰х粨鏋

鍗風Н紲炵粡緗戠粶涓昏佺粨鏋勬湁錛氬嵎縐灞傘佹睜鍖栧眰銆佸拰鍏ㄨ繛鎺ュ眰緇勮瘝銆傚嵎縐灞傚嵎縐鏍告槸涓緋誨垪鐨勬護娉㈠櫒錛岀敤鏉ユ彁鍙栨煇涓縐嶇壒寰佹垜浠鐢ㄥ畠鏉ュ勭悊涓涓鍥劇墖錛屽綋鍥懼儚鐗瑰緛涓庤繃婊ゅ櫒琛ㄧず鐨勭壒寰佺浉浼兼椂錛屽嵎縐鎿嶄綔鍙浠ュ緱鍒頒竴涓姣旇緝澶х殑鍊箋

cnn鐨勫熀鏈緇撴瀯涓嶅寘鎷錛氬弽鍚戞睜鍖栧眰銆侰NN鍩烘湰閮ㄤ歡浠嬬粛錛氬矓閮ㄦ劅鍙楅噹銆傚湪鍥懼儚涓灞閮ㄥ儚緔犱箣闂寸殑鑱旂郴杈冧負緔у瘑錛岃岃窛紱昏緝榪滅殑鍍忕礌鑱旂郴鐩稿硅緝寮便

鍗風Н紲炵粡緗戠粶鐨勫熀鏈緇撴瀯鐢變互涓嬪嚑涓閮ㄥ垎緇勬垚錛氳緭鍏ュ眰錛屽嵎縐灞傦紝奼犲寲灞傦紝嬋媧誨嚱鏁板眰鍜屽叏榪炴帴灞傘