深度学习（二）-CNN卷积神经网络

一、全连接神经网络的问题

1、模型结构不灵活

2、模型参数太多

 

二、CNN（Convolutional Neural Network）卷积神经网络

1、主要用于图像处理

2、特性：

局部连接（与全连接对比）：不用对整个图片处理，只对特殊区域处理

权重共享：同一卷积核（滤波器）在整张图像上共享参数，大幅减少参数量

下采样：缩小图片

 

 

三、卷积层

1、卷积核（又叫卷积核函数，或滤波器）

有一个原始二维矩阵（例如256*256），再设计一个小的二维矩阵（例如3*3），他们进行卷积计算；这个小的二维矩阵就是卷积核

2、卷积计算

用卷积核遍历原始矩阵，每次跟对应的矩阵，进行先成后加的操作，得到一个新的矩阵

3、目的是为了进行特征提取

 

四、池化层（下采样层）

1、目的是为了特征降维，压缩数据，降低数据维度

2、例如对于卷积计算后的矩阵，找到每4个元素最大的值，只保留这个值，压缩成更小的矩阵

3、示例：先卷积计算，再池化

 

 

五、经典的CNN

1、LeNet（1998年提出）

2、AlexNet（2012年提出）

3、VGGNet（2014年提出）

4、GoogleNet

5、ResNet（2015年提出）