深度卷积神经网络.docxVIP

深度卷积神经网络 1、解决了什么问题： CNN是目前图像领域特征提取最好的方式，将复杂问题简化，把大量参数降维成少量参数，再做处理。它可以保留图像特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。 CNN可以自动从大数据中学习特征，并把结果向同类型未知数据泛化。 卷积神经网络的各层中的神经元是3维排列的：宽度、高度、深度。深度指的是激活数据体的三个维度，而不是整个网的深度。 2、卷积神经网络通常由这几个部分组成： 1）输入层 2）卷积层：负责提取图像中的局部特征，会用到激活函数，还会用到很多参数,即神经元的权值w和偏差b。它是构建卷积神经网络的核心层，产生了网络中大部分的计算量。 3）ReLU层：实际应用中，卷积层和ReLU会被共同称之为卷积层，所以卷积层经过卷积操作也是要经过激活函数的。 4）池化层：用来大幅降低参数量级(降维)，进行固定不变的函数操作。 5）全连接层：类似传统神经网络的部分，用来输出想要的结果。 卷积层和全连接层中的参数会随着梯度下降被训练，这样卷积神经网络计算出的分类评分就能和训练集中的每个图像的标签吻合了。 具体解释： 1）卷积：提取特征：使用一个过滤器（卷积核）来过滤图像的各个小区域，从而得到这些小区域的特征值。在具体应用中，往往有多个卷积核，每个卷积核代表了一种图像模式，如果缪戈图像块与此卷积核卷积出的值大，则认为此图像十分接近于