卷积神经网络，卷积是什么？神经网络是什么？

 

神经网络

　　神经网络。只用全连接层，没有卷积层，只接受向量（一维数组）作为输入，不接受矩阵（二维数组）

　　反复观看这个视频！！！

 　　https://www.bilibili.com/video/BV1bx411M7Zx/?spm_id_from=333.999.0.0

　　概念：Neural Networks （NN）

　　　　一句话概括，就是多个神经元和权重值，计算得到一个结果

　　分类：

　　　　按模型结构大体可以分为前馈型网络（也称为多层感知机网络）和反馈型网络（也称为Hopfield网络）

　　　　按照学习方式可分为有监督学习、非监督和半监督学习三类

　　前言：

　　　　目前，将神经元理解成一个装数字的容器，实际上它是一个函数，可以接收数值和输出数值

　　以识别图像中的数字开始：

　　　　0代表纯黑，1代表白。这718个神经元组成了网络的第一层

　　　　

 

 　　　　然后神经网络的结构就有了

　　　　

 

 

　　

　　

　　　　为什么设置两层隐含层，每层16个神经元？

　　　　第一层，识别细小的部件；第二层，得到关键部件

　　　　 

 

 

 

　　　　最关键的就是如何算出 下一层的数字

　　　　每个神经元之间的连线就是 权重。加权和需要一个数值来判断，大于某个数才能发挥作用。那么那个数就是偏置

　　　　换句话说，就是在一张图片上，像素值大于某个值，才能显示。来达到显示关键位置的目的

　　　　为了方便权重和神经元的计算，采用矩阵

　　　　

 

 

　　　　所以这就是神经网络。一种计算方式

 

卷积：convolution

　　卷积是一种运算

　　反复观看这个视频，这就是图像处理的入门啊

　　https://www.bilibili.com/video/BV1Vd4y1e7pj/?spm_id_from=333.337.search-card.all.click&vd_source=3b2b7fb671161612d699f578850584a1

　　一句话概括：两个矩阵运行，类似滑动窗口，将乘积后的数相加，结果是一个数组啊，但是应用到图像领域，结果是一个值

　　百度上的概念：

　　　　

　　一、用概率来引入：

　　　　  一个筛子，共有6种可能，两个筛子，就会有36种可能组合。

　　　　如果要算两个筛子组合数字的概率，共有两种方式

　　　　1. 列表

　　　　　　

 

 

　　　　2. 卷积

　　　　　　

 　　　　　　

 

　　二、所以：换成概念，卷积就是一个数组 和 一个相反数组的乘积

　　　　

 

　　三、在图像领域

　　　　

 

 

 　　　　1.  小网格 * 图像对应的像素，颜色是一个数组

　　　　　　

 

　　　　2. 

　　　　　　

 

　　　　3.   这个小网格，也叫核（kernel）。不同的核能产生不同的效果。。所以卷积就是一个运算

　　　　　　

 

　　　　　　

 　　　　4. 这个小网格 中间位置数值较大。给中间像素了很大的权重，

　　　　　　

 　　三三：总结

 　　

 

 　　卷积是 输入图像和旋转180°的卷积核相乘的运算

 

　　四、通道

　　　　通道channel  也有叫特征图feature map

　　　　一个卷积核对应一个通道，也就是产生一个特征图

　　　　

五、 卷积核　

　　每个卷积核具有长、宽、深三个维度。

　　卷积核的长、宽都是人为指定的，长X宽也被称为卷积核的尺寸，常用的尺寸为3X3，5X5等；
　　卷积核的深度与当前图像的深度（feather map的张数）相同，所以指定卷积核时，只需指定其长和宽两个参数。

　　例如，在原始图像层 （输入层），如果图像是灰度图像，其feather map数量为1，则卷积核的深度也就是1；如果图像是grb图像，其feather map数量为3，则卷积核的　　　　　　　　深度也就是3.

 　　在代码中，设置kernel为5 为3，指的就是设置卷积核的长度

 这两个是怎样联系起来的？？卷积神经网络和神经网络

　　普通神经网络 是将每个像素作为一个神经元，通过**建立的网络模型

　　卷积神经网络 是在图片感受野和卷积核，进行了运算。将图片的特征进一步提取

　　这就是二者的差别

 　　卷积也就是说神经网络不再是对每个像素的输入信息做处理了，而是图片上每一小块像素区域进行处理，这种做法加强了图片信息的连续性

　

 　　

 参考文献：

　　https://blog.csdn.net/tototuzuoquan/article/details/113820344