什么是卷积神经网络(CNN)?

• 一种神经网络,其中至少有一层是卷积层。

• 根据特征,我们使用 CNN 对图像进行分类(分类)。

• Yann Lecun 被认为是卷积神经网络的鼻祖。

什么是卷积层?

这些是卷积神经网络的层,过滤器应用于原始图像。

构建卷积神经网络的步骤:

1.卷积操作。

1. 大步走。

2.ReLU层。

2. 汇集。

3. 压扁。

4.全连接。

图 1. 构建 CNN 的不同步骤

1\。卷积运算:

• 在这个过程中,我们通过将输入图像通过一个Feature detection/Filter/Kernel来减小图像的大小,从而将其转换为Feature Map/ Convolved feature/ Activation Map

• 它有助于从图像中删除不必要的细节。

• 我们可以创建许多特征图(从图像中检测某些特征)来获得我们的第一个卷积层。

• 涉及卷积滤波器与输入矩阵切片的逐元素乘法,最后是结果矩阵中所有值的总和。

图 2. 矩阵/图像上的卷积运算

1.1。步幅:

我们在输入矩阵上移动过滤器的像素数称为步幅。

1.2。 ReLU 激活函数:

• ReLU是世界上最常用的激活函数。

• 应用卷积时,我们可能会产生线性的风险,因此我们需要打破线性。

• 整流线性单元可以用函数 f(x) u003d max(x, 0) 来描述。

• 我们正在应用整流器来增加图像/CNN 中的非线性。整流器仅保留图像的非负值。

2\。汇集:

• 它有助于减少卷积特征的空间大小,这反过来又有助于降低处理数据所需的计算能力。

• 在这里,我们能够保留主要特征,从而帮助有效地训练模型。

• 将 Feature Map 转换为 Pooled Feature Map。

池化分为2种:

1\。 Max Pooling - 返回内核覆盖的图像部分的最大值。

2\。 Average Pooling - 从内核覆盖的图像部分返回所有值的平均值。

3\。展平:

涉及将池化特征图转换为一维列向量。

4\。全连接:

• 扁平化的输出被馈送到前馈神经网络,每次迭代都应用反向传播。

• 在一系列 epoch 中,该模型能够识别图像中的主要特征和低级特征,并使用 Softmax 分类 技术对它们进行分类(它使输出值介于 0 和 1 之间)。

图 3. CNN 中的全连接层。