卷积神经网络的运作方式
卷积(convolution)
相比于之前的神经网络,卷积神经网络不在仅仅单独对一个像素做处理而是对于图片上的一个区域做处理,这种做法加强了神经网络的连续性,使得神经网络能够看到图形,而不是一个点,这种做法也同时加深了神经网络对于图片的理解。
卷积神经网络可以通过一些像素点总结出图片的一些边缘信息,再通过获取的边缘信息得到图像的一部分的信息,再进行一次过滤,最终得到较为完整的图片信息,最终再将该信息输入到一些普通的全连接的神经网路层,进行分类,就可以得到分类的结果了
引用谷歌对于卷积神经网络的讲解
再计算机网络中,图片并不是一个简单的二维的数据,而是一个三位的数据,对于每一个像素点,都会有对应的RGB数组与之对应
卷积核不断在图片中移动扫描,收集小批小批的像素块,之后输出一个高度更高长和宽更小的图片,生成的图片中就会包含一些边缘信息。该过程就叫做卷积。
之后再经过多次卷积过滤,得到的照片的信息就更加多
池化(pooling)
研究表明,在每一次卷积的二十时候,神经层可能会无意的丢失一些信息,而池化(pooling)就可以很好的解决这个问题,所以就引入了池化的方法,可以很有效的提高准确性
常见卷积神经网络的结构
从输入端输入image图像,然后每经过一次卷积神经网络的过滤就进行一次池化,经过多次卷积和池化过后,在经过若干个全连接神经网络(就是若干层一般的神经网络层),最后进行分类