我们可以看见在我们给图像填加一层 0 界线后，图像的原始外形是若何被保持的。因为输出图像和输入图像是大年夜小雷同的，所以这被称为 same padding。

同时表格 (0.1,5) 的权重值也将给我们一个输匙莨狁。

两张图像的结合版本将会给我们一个清楚的图片。是以，我们所做的是简单地应用多个权重而不是一个，大年夜而再练习图像的更多信息。最终结不雅将是上述两张图像的一个结合版本。

案例 5

我们到如今经由过程应用权重，试图把程度像素（horizontal pixel）结合起来。然则大年夜多半情况下我们须要在水平和垂直偏向上保持空间构造。我们采取 2D 矩阵权重，把像素在水平和垂直偏向上结合起来。同样，记住已经有了水平和垂直偏向的权重活动，输出会在水平和垂直偏向上低一个像素。

让我们测验测验一下，输入猫和狗的图片，让计算机辨认它们。这是图像辨认和分类的经典问题，机械在这里须要做的是看到图像，并懂得猫与狗的不合外形特点。这些特点可所以外形轮廓，也可所以猫的胡须之类，卷积层会攫取这些特点。让我们把数据集拿来实验一下吧。

特别感激 Jeremy Howard 启发我创作了这些图像。

是以我们做了什么？

膳绫擎我们所做的事是试图经由过程应用图像的空间的安排大年夜图像中提取特点。畏敲?解图像，懂得像素若何安排对于一个收集极其重要。膳绫擎我们所做的也恰好是一个卷积收集所做的。我们可以采取输入图像，定义权重矩阵，并且输入被卷积以大年夜图像中提取特别特点而无需损掉其有关空间安排的信息。

全连接收集可以经由过程平化它，把图像算作一个数组，并把像素值算作猜测图像中数值的特点。明白地说，让收集懂得懂得下面图中产生了什么，异常的艰苦。

这个办法的另一个重大年夜好处是它可以削减图像的参数数量。正如所见，卷积图像比拟于原始图像有更少的像素。

3.定义一个卷积神经收集

我们须要三个根本的元素来定义一个根本的卷积收集

1. 卷积层

2. 池化层（可选）

3. 输出层

卷积层

在这一层中，实际所产生的就像我们在上述案例 5 中见到的一样。假设我们有一个 6*6 的图像。我们定义一个权值矩阵，用来大年夜图像中提取必定的特点。

我们把权值初始化成一个 3*3 的矩阵。这个权值如今应当与图像结合，所有的像素都被覆盖至少一次，大年夜而来产生一个卷积化的输出。上述的 429，是经由过程计算权值矩阵和输入图像的 3*3 高亮部分以元素方法进行的乘积的值而获得的。

如今 6*6 的图像转换成了 4*4 的图像。想象一下权值矩阵厩ㄑ用来刷墙的刷子。起首在程度偏向上用这个刷子进行刷墙，然后再向下移，对下一行进行程度粉刷。当权值矩阵沿着图像移动的时刻，像素值袈滟一次被应用。实际上，如许可以使参数在卷积神经收集中被共享。

下面我们以一个真实图像为例。

权值矩阵在图像里表示的像一个大年夜原始图像矩阵中提取特定信息的过滤器。一个权值组合可能用来提取边沿（edge）信息，另一个可能是用来提取一个特定色彩，下一?就可能就是对不须要的噪点进行模糊化。

先对权值进行进修，然后损掉函数可以被最小化，类似于独裁感知机（MLP）。是以须要经由过程对参数进行进修来大年夜原始图像中提守信息，大年夜而来赞助收集进行精确的猜测。当我们有多个卷积层的时刻，初始层往往提取较多的一般特点，跟着收集构造变得更深，权值矩阵提取的特点越来越复杂，并且越来越实用于面前的问题。

步长（stride）和界线（padding）的概念

像我们在膳绫擎看到的一样，过滤器或者说权值矩阵，在全部图像范围内一次移动一个像素。我们可以把它定义成一个超参数（hyperparameter），大年夜而来表示我们想让权值矩阵在图像内若何移动。如不雅权值矩阵一次移动一个像素，我们称其步长为 1。下面我们看一下步长为 2 时的情况。

你可以看见当我们增长步长值的时刻，图像的规格持续变小。在输入图像四周填充 0 界线可以解决这个问题。我们也可以在高步长值的情况下在图像四周填加不只一层的 0 界线。

这就是 same padding（意味着我们仅推敲输入图像的有效像素）。中心的 4*4 像素是雷同的。这里我们已经应用界线保存了更多信息，并且也已经保存了图像的原大年夜小。

多过滤与激活图

须要记住的是权值的纵深维度（depth dimension）和输入图像的纵深维度是雷同的。权值会延长到输入图像的┞符个深度。是以，和一个单一权值矩阵进行卷积会产生一个迪?鬏深维度的卷积化输出。大年夜多半情况下都不应用单一过滤器（权值矩阵），而是应用维度雷同的多个过滤器。

　　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

本文标题：长文解密卷积神经网络体系结构

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

 1/2    1