长文解密卷积神经网络体系结构

引言

先坦白地说，有一段时光我无法真正懂得深度进修。我查看相干研究论文和文┞仿，感到深度进修异常复杂。我测验测验去懂得神经收集及其变体，但依然认为艰苦。

接着有一天，我决定一步一步，大年夜基本开端。我把技巧操作的步调分化开来，并手动履行这些步调（和计算），直到我懂得它们若何工作。这相当费时，且令人重要，然则结不雅不凡。

如今，我不仅对深度进修有了周全的懂得，还在此基本上有了好设法主意，因为我的基本很扎实。随便地应用神经收集是一回事，懂得它是什么以及背后的产活力制是别的一回事。

今天，我将与你共享我的心得，展示我若何上手卷积神经收集并最终弄明白了它。我将做一个全盘的┞饭示，大年夜而使你对 CNN 的工作机制有一个深刻的懂得。

在本文中，我将会评论辩论 CNN 背后的架构，其设计初志在于解决图像辨认和分类问题。同时我也会假设你对神经收集已经有了初步懂得。

仁攀类大年夜脑是一异常强大年夜的机械，每秒内能看（捕获）多张图，并在意识不到的情况下就完成了对这些图的处理。但机械并非如斯。机械处理图像的第一步是懂得，懂得若何表达一张图像，进而攫取图片。

简单来说，每个图像都是一系列特定排序的图点（像素）。如不雅你改变像素的次序或色彩，图像也随之改变。举个例子，存储并攫取一张膳绫擎写着数字 4 的图像。

根本上，机械会把图像打坏成像素矩阵，存储每个表示地位像素的色彩码。鄙人图的表示中，数值 1 是白色，256 是最深的绿色（为了简化，我们示例限制到了一种色彩）。

假设我们测验测验应用全连接收集辨认图像，该若何做？

即使仁攀类也很难解得上图中表达的含义是数字 4。我们完全损掉了像素的空间分列。

我们能做什么呢？可以测验测验大年夜原图像中提取特点，大年夜而保存空间分列。

这里我们应用一个权重乘以初始像素值。

表征像素的数值是以特定的方法排序的。

如今缕揭捉?辨认出这是「4」就变得更简单了。但把它交给全连接收集之前，还须要平整化（flatten) 它，要让我们可以或许保存图像的空间分列。

如今我们可以看到，把图像平整化完全破坏了它的分列。我们须要想出一种方法在没有平整化的情况下把图片馈送给收集，并且还要保存空间分列特点，也就是须要馈送像素值的 2D/3D 分列。

我们可以测验测验一次采取图像的两个像素值，而非一个。这能给收集很好的洞见，不雅察邻近像素的特点。既然一次采取两个像素，那也就须要一次采取两个权重值了。

欲望你能留意到图像大年夜之前的 4 列数值变成了 3 列。因为我们如今一次移用两个像素（在每次移动中像素被共享），图像变的更小了。固然图像变小了，我们仍能在很大年夜程度上懂得这是「4」。并且，要意识到的一个重点是，我们采取的昵嘟个连贯的程度像素，是以只会推敲程度的分列。

这是我们大年夜图像中提取特点的一种方法。我们可以看到左边和中心部分，但右边部分看起来不那么清跋扈。主如果因为两个问题：

1. 图片角落左边和右边是权重相乘一次获得的。

2. 左边仍然保存，因为权重值高；右边因为略低的权重，有些损掉。

一旦你以这种格局存储完图像信息，下一步就是让神经收集懂得这种排序与模式。

如今我们有两个问题，须要两个解决筹划。

碰到的问题是图像阁下两角只被权重经由过程一次。我们须要做的是让收集像推敲其他像素一样推敲角落。我们有一个简单的办法解决这一问题：把零放在权重活动的两边。

你可以看到经由过程添加零，来自角落的信息被再练习。图像也变得更大年夜。这可被用于我们不想要缩小图像的情况下。

这里我们试图解决的问题是右侧角落更小的权重置魅正在降低像素值，是以使其难以被我们辨认。我们所能做的是采取多个权重值并将其结合起来。

(1,0.3) 的权重值给了我们一个输匙莨狁

　　推荐阅读

　　如何快速实现一个基于Nginx网站的监控场景

一切大年夜应用办事监控说起小明地点的一家小型互联网创虻公司一向将应用运行在阿里云上。该应用采取通用的分布式 Nginx+App 架构为用户供给电商数据统计的 webservice 办事。应用运行至>>>详细阅读

地址：http://www.17bianji.com/lsqh/36094.html