一文读懂卷积神经网络CNN.doc

卷积神经网络 CNN 详解 卷积神经网络（Convolutional Neural Network，CNN）是一种高效的图像识别方法，近年来发展起来，并引起了广泛的重视。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。特征映射层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 的主要特点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。同时，CNN 的强大的地方也在于可以避免对图像的复杂前期预处理，可以直接输入原始图像。 CNN 的应用非常广泛，特别是在模式识别和图像处理领域。由于 CNN 可以避免对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。 在CNN 中，每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。同时，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。 卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，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 CNN 中，神经网络的每个单元可以被认为是一个 Logistic 回归模型。当将多个单元组合起来并具有分层结构时，就形成了神经网络模型。神经网络的训练方法也同 Logistic 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。 卷积神经网络 CNN 是一种强大的图像识别方法，其广泛应用于模式识别、图像处理等领域，並具有独特的优越性和局部权值共享的特殊结构。