cnn程序流程图_卷积神经网络（CNN）原理及应用

一、CNN原理

卷积神经网络(CNN)主要是用于图像识别领域，它指的是一类网络，而不是某一种，其包含很多不同种结构的网络。不同的网络结构通常表现会不一样。从CNN的一些典型结构中，可以看到这些网络创造者非常有创造力，很多结构都非常巧妙，有机会再介绍现今主流的一些典型结构。 现在我们先来简单介绍一下卷积神经网络的原理。

Very Deep Convolutional Networks for Large-Scale Image Recognition(2014), arXiv: 1409.1556:

所有CNN最终都是把一张图片转化为特征向量，特征向量就相当于这张图片的DNA。就像上图VGG网络一样，通过多层的卷积，池化，全连接，降低图片维度，最后转化成了一个一维向量。这个向量就包含了图片的特征，当然这个特征不是肉眼上的图片特征，而是针对于神经网络的特征。

之所以用VGG举例，因为他的网络结构非常简洁，清晰，相当好理解，简单介绍一下：他的输入是一张224x224 的三通道图片，经过两层卷积之后，图片维度不变，通道数增加到了64。

之后那个红色的层是最大池化(max pooling)把图片维度变成了112x112。后续就是不断重复步骤1，2。

当变成1维向量之后，经过全连接(fully connected)加ReLU激活，softmax处理之后，变成了一个包含1000个数字的特征向量。

以上就是CNN所做的事情。

二、 CNN如何训练

1. 卷积神经网络的前向传播过程

在前向传播过程中，输入的图形数据经过多层卷积层的卷积和池化处理，提出特征向量，将特征向量传入全连接层中，得出分类识别的结果。当输出的结果与我们的期望值相符时，输出结果。

1.1 前向传播中的卷积操作用一个小的权重矩阵去覆盖输入数据，对应位置加权相乘，其和作为结果的一个像素点；

这个权重在输入数据上滑动，形成一张新的矩阵：

这个权重矩阵称为卷积核(convolution kernel)；

其覆盖位置称为感受野(receptive field)；

参数共享；

滑动的像素数量叫做步长(stride):

以卷积核的边还是中心点作为开始/结束的依据，决定了卷积的补齐(padding)方式。上面的图片是valid方式(这种方式新的矩阵维度可能会降低)，而same方式则会在图像边缘用0补齐(这种方式图像维度不会降低)：

如果输入通道不只一个，那么卷积核是三阶的。所有通道的结果累加：

如图：

1.2 前向传播中的池化操作

池化又称为降采样(down_sampling)，类型：最大池化(max pooling)：在感受野内取最大值输出；

平均池化(average pooling)：在感受野内取平均值进行输出；

其他如L2池化等。

理

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！