卷积神经网络的最佳解释！

【导读】CNN在图像和视频识别，推荐系统和自然语言处理中有着广泛的应用。在这篇文章中举的例子是计算机视觉，但是，基本概念是一致的，可以应用于任何其他用例。

作者 | Harsh Pokharna

编译 | 专知

参与 | Yingying, Xiaowen

The best explanation of Convolutional Neural Networks on the Internet!

CNN由由可学习权重和偏置的神经元组成。每个神经元接收多个输入，对它们进行加权求和，将其传递给一个激活函数并用一个输出作为响应。整个网络有一个损失函数，在神经网络开发过程中的技巧和窍门仍然适用于CNN。很简单，对吧？

那么，卷积神经网络与神经网络有什么不同呢？

和神经网络输入不同，这里的输入是一个多通道图像（在这种情况下是3通道，如RGB）。

在我们深入之前，让我们先了解一下卷积的含义。

卷积

---

---

我们用5 * 5 * 3的滤波器滑过整个图像，并在滑动过程中与滑过的图像部分点积。

每个点积的结果都是标量。

那么，当我们将整个图像与滤波器进行卷积时会发生什么？

 

卷积结果的大小28是怎么来的留给读者思考。（提示：有28 * 28个独特的位置，滤波器可以放在图像上）

现在回到CNN

---

---

卷积层是卷积神经网络的重要部分。

卷积层包含一组独立的滤波器（在所示的例子中是6个）。每个滤波器都与图像独立卷积，最终形成6个形状为28 * 28 * 1的特征图。

假设我们有多个卷积层。然后会发生什么？

 

所有这些滤波器都是随机初始化的，并在网络训练过程中学习参数。

下面是训练好的网络的例子。

 

看看第一层中的滤波器（在这是5 * 5 * 3的滤波器）。通过反向传播，逐渐调整成为彩色碎片和边缘的斑点。当层次变深时，滤波器与先前一层的输出做点积。所以，他们正在用较小的彩色碎片或边缘制作出更大的碎片。

对于特定的特征图，每个神经元仅与输入图像的一小块连接，并且所有神经元具有相同的连接权重，这就是CNN与神经网络的最大区别。

参数共享和局部连接

---

---

参数共享指的是特定特征图中所有神经元的权重共享。

局部连接是每个神经只与输入图像的一个子集连接（不同于全连接的神经网络）

这有助于减少整个系统中的参数数量，并使计算更加高效。

池化层

---

---

池化层是CNN的另一个构建块。

 其功能是逐步缩小表示空间的大小，以减少网络中的参数和计算量。池化层独立地在每个特征映射上工作。

最常用的方法是最大池化（max pooling）。

CNN的典型架构

---

---

我们已经介绍了卷积层（由CONV表示）和池化层（由POOL表示）。

RELU只是一个应用于神经单元的非线性激活函数。

FC是CNN末端的全连接层。全连接层中的神经元与前一层中的所有激活都有完全连接，如常规神经网络中所见，并以相似的方式工作。

CNN架构有许多变化，但正如我之前提到的，基本概念保持不变。

原文链接：

https://medium.com/technologymadeeasy/the-best-explanation-of-convolutional-neural-networks-on-the-internet-fbb8b1ad5df8

 更多教程资料请访问：人工智能知识资料全集

-END-

专 · 知

人工智能领域主题知识资料查看与加入专知人工智能服务群：

【专知AI服务计划】专知AI知识技术服务会员群加入与人工智能领域26个主题知识资料全集获取

[点击上面图片加入会员]

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知