卷积神经网络
本周工作重点:主要初学习 CNN
看了一位大神的博客,他是这么总结的:
第一点,在学习 Deep learning 和 CNN 之前,总以为它们是很了不得的知识,总以为它们能
解决很多问题,学习了之后,才知道它们不过与其他机器学习算法如 svm 等相似,仍然可
以把它当做一个分类器,仍然可以像使用一个黑盒子那样使用它。
第二点,Deep Learning 强大的地方就是可以利用网络中间某一层的输出当做是数据的另一
种表达,从而可以将其认为是经过网络学习到的特征。基于该特征,可以进行进一步的相似
度比较等。
第三点,Deep Learning 算法能够有效的关键其实是大规模的数据,这一点原因在于每个 DL
都有众多的参数,少量数据无法将参数训练充分。
在图像处理中,由于图像的表示往往是用图像向量做的,若隐藏层的数目和输入一样,那么
用神经网络就会出现要处理的参数过多,那么就会大大拖慢运算速度。所以这时就要用卷积
神经网络来加快速度。
卷积神经网络:
主要有三个基本概念:局部感受野(local receptive fields),共享权重(shared weights),
池化亦成为混合(pooling)。
局部感受野:
基于认为图像的空间联系是局部的像素联系比较密切,而距离较远的像素联系较弱。因此神
经元没必要进行全局的感知,只需对局部进行感知即可,然后在更高层将局部的信息进行综
合就形成了全局的信息。
全局感知和局部感知如下图:
评论0