卷积神经网络的结构.pptxVIP

主讲教师：杨国华无锡商业职业技术学院数据科学与机器学习卷积神经网络的结构

卷积的定义卷积的特点卷积网络的结构小卷积的定义虽然网络的层数越多，神经网络的表达能力就越强，但是，全连接的网络有着以下缺点，导致不适合应用于图像识别的方面。其缺点有以下3个方面：?（1）参数量多。当输入的图片像素为1000×1000时，输入层则会有1000000个节点，因为当假设隐藏层有100个节点，则第一层就会有（1000×1000+1）×100=1亿个参数，所以参数因此太多，导致可拓展性很差。?（2）没有利用好像素间的位置。对于图像识别任务来说，每个像素与其周围像素的联系是比较紧密的，而和离得很远像素的联系就可能很小了。可是如果一个神经元和上一层所有神经元相连，对于一个像素来讲，就相当于把图像里面的所有像素都等同看待，这不符合前面的假设。（3）网络层数限制。网络层数越多其表达能力越强，可是通过梯度下降法训练深度全连接神经网络很困难，因为全连接神经网络的梯度很难传递超过3层。

卷积的定义卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层右图：卷积神经网络（立体），组成：输入层、卷积层、激活函数、池化层、全连接层

卷积的定义卷积：在原始的输入上进行特征的提取。特征提取简言之就是，在原始输入上一个小区域一个小区域进行特征的提取。下图是卷积运算1*1+0*1+1*1+0*0+1*1+0*1+1*0+0*0+1*1=4

卷积的定义卷积计算的过程输入：RGB3个颜色通道，每个通道7*7卷积核（总数）：3通道3*3*3结果：特征图3*3*2

卷积的优点（1）局部连接。每个神经元不再和上一层的所有神经元相连，而只和某个颜色通道的一小部分神经元相连。因此减少了很多输入的参数。?（2）权值共享。一组连接可以共享同一个权重，而不是每个连接有一个单独不同的权重，因此又减少了很多输入的参数。?（3）下采样。可以使用Pooling来减少每层的样本数，不仅进一步减少参数数量，还同时提升了模型的鲁棒性。所以，对于图像识别任务来说，卷积神经网络通过保留重要的参数，去除大部分不重要的参数，进而来达到更好的学习效果。

卷积的结构CNN由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成：

小结卷积运算的规则卷积与全连接网络的区别卷积的优点

谢谢观看