卷积神经网络结构图（图解卷积神经网络）

卷积神经网络结构图（图解卷积神经网络）Q1:-5怎么得到的？我们选择一张6*6*1（1为通道数，这里是1）的图像，让它和3*3的卷积核进行卷积操作，最后得出4*4*1的一张图像。卷积神经网络分为：卷积，池化，全连接这三个主要的部分。1.卷积操作先来个简单的，请仔细看图

不知道什么是卷积神经网络？没关系，大家应该用过淘宝的拍立淘吧，根据你照片识别出相似的商品，原理中就用到了卷积神经网络。它能根据你的一张图片提取特征，从而识别物体。当然卷积神经网络不仅在图像识别方面大有作为，接下来进入正题，揭开卷积神经网络的面纱。

why convolution?

1.参数相比神经网络这样的全连接少太多了！有效地避免了过度拟合。

2.具有平移不变性，提取特征的能力很强

卷积神经网络分为：卷积，池化，全连接这三个主要的部分。

1.卷积操作

先来个简单的，请仔细看图

我们选择一张6*6*1（1为通道数，这里是1）的图像，让它和3*3的卷积核进行卷积操作，最后得出4*4*1的一张图像。

Q1:-5怎么得到的？

如上图，对应元素依次累积，最后相加。

Q2:怎么得到卷积后的图像？

1.1 填充（padding）

• 保持图像不会变得太小
• 保留图像边缘信息

将图像边缘围上一圈，p=1

1.2 步长（stride）

相当于等差数列中的公差，从左到右从上至下依次加stride步长。

举例

一个filter

现实生活中图像的通道都不是一个的，这里我们采用一张RGB（彩色图片）

这里我们采用了一个filter（卷积核），输出了图像的一个特征，如垂直特征

两个filter

两个卷积核，输出了两个特征

卷积层

现在在多个卷积层进行训练

卷积操作完成后进行全连接，当成神经网络处理就可以啦。

2.池化操作

why pooling?

提取部分图像的最大特征

池化分为max pooling和average pooling

2.1 Max pooling

我们取的图像对应卷积大小位置的局部最大值

2.2 Average pooling

我们取图像对应卷积大小 位置的平均值

3.完整的卷积神经网络

总结：

#今日头条小助手##深度学习##神经网络#