卷积神经网络真的挺难靠文字讲清楚的,一般需要大量图片来辅助理解,时间关系,我就不仔细讲了,这里记录一下大致的算法和注意点。

 

首先我概括一下卷积神经网络

卷积神经网络是通过卷积核进行特征提取,从一个样本身上利用很多个卷积核提取这个样本的很多特征,通过池化进行降维,然后利用普通的全连接神经网络进行训练。

从网络结构上讲,卷积神经网络是把网络从扁平拉伸成窄厚,然后重复这个过程,最后接上全连接网络和softmax。

 

接着我讲几个注意点

卷积层和池化层

卷积层的核心是卷积核,我在手写数字识别实例中已经讲的比较清楚,不再赘述。

池化层的作用不只是降维,它使得模型对局部位移或者微小位置偏差具有更好的鲁棒性

输入有微小差别,输出相同

 

 padding

在卷积层和池化层,padding的意义是不同的。

卷积层

padding取same时,需要对原样本进行边界填充,以保证卷积后的样本和原样本大小一样,  【步长为1时大小一样,步长不为1时不一样】

padding取valid时,不需要填充,卷积后变小。

池化层

padding取same时,可能会给平面进行边界填充,但不是保证大小一致,是在池化野扫描时,假如扫描到边界时,剩余的格数小于池化野的大小时,对边界填充,使得剩余格数等于池化野大小,否则不需要填充。

padding取valid时,不填充,假如扫描到边界时,剩余格数小于池化野的大小,就放弃剩余的格数

 

最后接两张关键图结束