(完整版)一文读懂卷积神经网络CNN.docx

"卷积神经网络CNN知识点" 卷积神经网络（Convolutional Neural Networks，简称 CNN）是一种高效识别方法，近年来发展起来，并引起广泛重视。CNN 的基本结构包括两层：特征提取层和特征映射层。特征提取层的每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。特征映射层的网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。 CNN 主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于 CNN 的特征检测层通过训练数据进行学习，所以在使用 CNN 时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。 卷积神经网络的特点是局部权值共享的特殊结构，这使得网络的复杂性降低，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。 在图像处理中，神经网络的训练方法也同 Logistic 回归模型类似，不过由于其多层性，还需要利用链式求导法则对隐含层的节点进行求导，即梯度下降+链式求导法则，专业名称为反向传播。然而，在图像处理中，往往把图像表示为像素的向量，这样就会导致参数数目非常大，无法训练。因此，卷积神经网络有两种神器可以降低参数数目，第一种神器叫做局部感知。局部感知的思想来自生物学里的视觉系统结构，视觉皮层的神经元就是局部接受信息的，卷积神经网络也采用了类似的思想，每个神经元只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。 此外，卷积神经网络的另一个特点是可以利用网络中间某一层的输出当作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。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。 卷积神经网络是一种非常强大且有用的机器学习算法，在图像处理和模式分类领域中有着广泛的应用前景。