李宏毅机器学习笔记07(CNN)

卷积神经网络(Convolutional Neural Network)

1、什么是CNN

  什么卷积、为什么用CNN

2、实现CNN的步骤

  input——>convolution——>max pooling——>...——>flatten——>fully connected network——>output

3、如何用keras搭建一个CNN

4、CNN分析

 

 

1、什么是CNN

  1)什么卷积

  1、卷积本质上是“加权求和”,在信号处理中是时间上的“加权求和”,在图像处理中是空间上的“加权求和

        

  2、在信号处理中,系统的响应不仅与当前时刻系统的输入有关,也跟之前若干时刻的输入有关,比如在t3时刻的响应Y(3)=Y(0)+Y(1)+Y(2),但常常系统中不是这样的,因为0时刻的响应不太可能在1时刻仍旧未变化,那么怎么表述这种变化呢,就通过h(t)这个响应函数与x(0)相乘来表述,表述为x(m)×h(t-m),公式里的m指的  t 的变化量

             

   参考:http://muchong.com/html/201001/1773707.html

 

  2)为什么用CNN

     

  •  机器识图的过程:机器识别图像并不是一下子将一个复杂的图片完整识别出来,而是将一个完整的图片分割成许多个小部分,把每个小部分里具有的特征提取出来(也就是识别每个小部分),再将这些小部分具有的特征汇总到一起,就可以完成机器识别图像的过程了。

 

    

   

   CNN的参数比全连接神经网络少得多,为什么CNN只用较少的参数就可以用于处理图像呢?这是因为图像具有以下三点特征:

  •  一些特征比整张图片小得多,不用CNN的话会看完整幅图片才能确定一个特征,用CNN会认为只需要看图片的局部就可以了;
  •  同样的特征可能出现在图像的不同区域,不用CNN的话会认为这两个不同位置的同一个特征是不同的特征,用CNN会认为它们是同一个;
  •  对图像的降采样不会改变图像中的物体。

   CNN的卷积层的设计对应着前两点,池化层的设计对应着第三点。 

                          

 

 

 

2、实现CNN的步骤

  input——>convolution——>max pooling——>...——>flatten——>fully connected network——>output

 

             

 

    1、卷积层(减少训练参数)

  •   对应Property1:每一个Filter(待训练的参数)代表一个局部特征探测器,假设现在两个特征探测器(Filter1和Filter2)
  •     对应Property2:用Filter1就能探测出在不同位置的同一个flatten,而不需要用不同的Filter

 

                                         

 

 

  •   如果图片是彩色的,也就是说它是三通道的,还没卷积之前,可以说有3个通道,意味着每一个像素由3个数值表示。

    

 

     与全连接方式的对比:

  •  convolution的事情,就是把fully connected的部分参数拿掉
  •    拿掉部分参数以后,剩下的参数权值共享

 

                              

 

    2、池化层

  •  目的是减少每一个特征的维度,也就是减少后面flatten的输入特征数量

                             

    

   3、重复

     

 

    4、Flatten

             

 

 

3、如何用keras搭建一个CNN 

  •  卷积前一个pixel用多少个数值表示,取决于通道数
  •    卷积后一个pixel用多少个数值表示,取决于Filter个数,而通道数决定Filter的高
  •    上一个卷积层有多少个Filter下一层卷积input就有多少个通道

 

              

 

 

4、CNN分析

 

posted @ 2019-08-18 11:26  zr-zhang2019  阅读(565)  评论(0编辑  收藏  举报