CNN笔记：通俗理解卷积神经网络

卷积神经网络（CNN）笔记 CNN笔记：通俗理解卷积神经网络 卷积神经网络（CNN）是一种深度学习算法，能够模拟人脑对图像的识别和处理能力。下面是对CNN的通俗理解笔记： 神经元 神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后，最开始只是简单的线性加权，后来给每个神经元加上了非线性的激活函数，从而进行非线性变换后输出。每两个神经元之间的连接代表加权值，称之为权重（weight）。不同的权重和激活函数，则会导致神经网络不同的输出。 神经元的基本形式为： wx + b 其中，w为权重，x为输入向量，b为偏置项，g(z)为激活函数，a为输出。 激活函数 激活函数是神经元中非常重要的一部分。常用的非线性激活函数有sigmoid、tanh、relu等等。sigmoid函数的函数表达式如下： g(z) = 1 / (1 + e^-z) 其中，z是一个线性组合。通过代入很大的正数或很小的负数到g(z)函数中可知，其结果趋近于0或1。 因此，sigmoid函数的功能是相当于把一个实数压缩至0到1之间。当z是非常大的正数时，g(z)会趋近于1，而z是非常小的负数时，则g(z)会趋近于0。 压缩至0到1有何用处呢？用处是这样一来便可以把激活函数看作一种“分类的概率”，比如激活函数的输出为0.9的话便可以解释为90%的概率为正样本。 神经网络 将多个神经元组织在一起，便形成了神经网络。下图便是一个三层神经网络结构： 上图中最左边的原始输入信息称之为输入层，最右边的神经元称之为输出层（上图中输出层只有一个神经元），中间的叫隐藏层。 啥叫输入层、输出层、隐藏层呢？ 输入层（Input layer），众多神经元组成的层，负责接收外部输入信息。 隐藏层（Hidden layer），在输入层和输出层之间的中间层，负责进行特征提取和信息处理。 输出层（Output layer），最右边的神经元，负责输出最终的结果。 卷积神经网络（CNN） 卷积神经网络（CNN）是一种特殊的神经网络，主要用于图像识别和处理。CNN的结构与普通神经网络类似，但在隐藏层中添加了卷积层和池化层，以便更好地处理图像信息。 卷积层（Convolutional layer），负责提取图像中的特征，如边缘、线条、形状等。 池化层（Pooling layer），负责对图像进行下采样，减少图像的尺寸和大小。 卷积神经网络（CNN）在图像识别和处理方面具有很高的准确性和效率，广泛应用于计算机视觉、机器人、自动驾驶等领域。 本篇笔记只是对卷积神经网络的简单介绍，更多关于CNN的原理和应用将在后续文章中继续介绍。