高温密封材料【AI】CNN卷积神经⽹络及图像识别举例 ⽂章⽬录
典型的 CNN 由3个部分构成：
2. 池化层：池化层⽤来⼤幅降低参数量级(降维)；
3. 全连接层：全连接层类似传统神经⽹络的部分，⽤来输出想要的结果。 1、卷积层
卷积层的作⽤：
1. 提取图像的特征，并且卷积核的权重是可以学习的，卷积操作能突破传统滤波器的限制，根据⽬标函数提取出想要的特征；
2. 参数共享（⼀个卷积核⽤来滤整个图像，⽽不是很多个卷积核），降低了⽹络参数，提升训练效率。
为什么卷积能够提取图像特征？
假设现在有⼀张图⽚，我们需要识别⽼⿏屁股上的这⼀⽚区域。
世界人体艺术鉴赏大典绿框内的图像值可能是这样的（当然，这并不是真正的灰度值）
⽽卷积核，本质上其实就是⼀个滤波器，可以看作是⼀个滤波器模板。在上图中，⽼⿏尾巴，就是我们要提取的特征，为了提取它，我们可以设置卷积核为下图：
dkyy
【注意】真正的卷积核的参数不是⼿动设置的，它是会⾃动学习更新的，在这⾥是为了演⽰⽅便所以写死了卷积核的内容。
我们将卷积核作⽤于图⽚，直接进⾏卷积运算，我们发现对于识别的特征计算出来的值⾮常⼤；
对于上⾯的卷积（注意，卷积的结果是⼀个数）：（5030）+（5030）+（5030）+（2030）+（50*30）=6600；
⽽对于不能识别的特征，计算的值⾮常⼩，曲线的卷积核与其卷积得到的值为0，如下：
所以，如果某个图像块与此卷积核卷积出的值⼤，则认为此图像块⼗分接近于此卷积核（就是长得像）。
如果我们设计了6个卷积核，可以理解：我们认为这个图像上有6种底层纹理模式，也就是我们⽤6种卷积核就能描绘出⽬标物体的完整特征。
2、池化层信阳市第一实验小学
上图中，我们可以看到，原始图⽚是20×20的，我们对其进⾏下采样，采样窗⼝为10×10，最终将其下采样成为⼀个2×2⼤⼩的特征图。
榆林学院图书馆
之所以这么做，是因为即使做完了卷积，图像仍然很⼤（因为卷积核⽐较⼩），所以为了降低数据维
度，就进⾏下采样。
总结：池化层相⽐卷积层可以更有效的降低数据维度，这么做不但可以⼤⼤减少运算量，还可以有效的避免过拟合。李京姬
3、全连接层【待更新，我还是没讲清楚】
这个部分就是最后⼀步了，经过卷积层和池化层处理过的数据输⼊到全连接层，得到最终想要的结果。
经过卷积层和池化层降维过的数据，全连接层才能”跑得动”，不然数据量太⼤，计算成本⾼，效率低下。
全连接层作⽤
全连接层运⾏流程？
假设我们在全连接层中，输⼊为：特征矩阵是3x3，深度为5的数据，也就是3x3x5，如何把这个数据连接到全链接层的隐层呢（⽐如这个隐层是1x4096）？
其实就是把输⼊的3x3x5xN的特征矩阵，再做卷积。
从上图我们可以看出，我们⽤⼀个3x3x5的filter 去卷积激活函数的输出，得到的结果就是⼀个fully connected layer 的⼀个神经元的输出，这个输出就是⼀个值。
因为我们有4096个神经元，我们实际就是⽤⼀个3x3x5x4096的卷积层去卷积激活函数，之后输出
这⼀步的卷积的作⽤：
就是它把特征representation整合到⼀起，输出为⼀个值，就是⼤⼤减少特征位置对分类带来的影响。
从上图我们可以看出，猫在不同的位置，输出的feature值相同，但是位置不同，全连接层filter的作⽤就相当于忽略了空间结构，只要有猫，不论你在图上的那个位置，我都可以到你。
最终，我们全连接层能够分辨这个特征（⽐如说猫头）是否出现（是或否）
所以全连接层不适合⽤于在⽅位上Pattern的任务，⽐如segmentation
但是如果全连接层⼀般不都是多层（⼀般是两层）么？如下图：
这是因为只⽤⼀层 全连接层 不能解决⾮线性问题，所以需要两层或以上 全连接层 来解决⾮线性问题。
运⾏流程举例
我们现在的任务是，区分物体是不是猫：
1. 在全连接层之前，通过卷积层等层，我们已经知道了，猫有如下特征（因为卷积层的作⽤就是提取特征嘛，当做参数输给后⾯）
2. 红⾊的神经元表⽰这个特征被到了（激活了）；同⼀层的其他神经元之所以没有激活，要么是因为猫的特征不明显，要么是因为没
到；当我们把这些到的特征组合在⼀起，ok，现在我认为这是猫了。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议