NEWS INFORMATION

CNN網絡一(yī)共有5個層級結構(1)_e操盤

簡要地

CNN網絡共有5個層次結構：

1) 輸入層

2）卷積層（内部）

3) 激活層

4）池化層（内部）

5）全連接FC層

一(yī)：輸入層

與傳統的神經網絡/機器學習一(yī)樣，該模型需要對輸入進行預處理。輸入層常見的預處理方法有：

去(qù)平均、歸一(yī)化、PCA/SVD降維等。

二：卷積層

局部感知(zhī)：人腦在識别圖片時，并不是一(yī)下(xià)子就識别出整張圖片網絡層次設計特點，而是先局部感知(zhī)圖片中(zhōng)的各個特征，然後在更高層次上對局部進行綜合運算網絡層次設計特點，得到全局信息。

卷積層的作用：

提取圖像的特征，可以學習卷積核的權重。可以猜測，在高級神經網絡中(zhōng)，卷積操作可以突破傳統濾波器的限制，根據目标函數提取想要的特征。“局部感知(zhī)和參數共享”的特性大(dà)大(dà)減少了網絡參數，保證了網絡的稀疏性，防止過拟合。“參數共享”之所以成爲可能，是因爲樣本具有局部相關特性。

小(xiǎo)卷積核的優點

1 提升網絡容量和模型複雜(zá)度

2 減少卷積參數的數量

三：激活層

所謂激勵，其實就是卷積層輸出的非線性映射。

如果不使用激勵函數（實際上激勵函數是f(x)=x），這種情況下(xià)，每一(yī)層的輸出都是上一(yī)層輸入的線性函數。很容易得出結論，不管有多少神經網絡層，輸出都是輸入的線性組合，效果和沒有隐藏層的一(yī)樣。這是最原始的感知(zhī)器。

四：池化

1 池化層的位置和形式

在 CNN 網絡中(zhōng)，卷積池後面是池化層。池化層的作用是提取局部均值和最大(dà)值。根據計算值的不同，分(fēn)爲平均池化層和最大(dà)池化層。最常見的是最大(dà)池化層。池化時，還需要提供大(dà)小(xiǎo)和步長。

2 max pool 在計算機視覺中(zhōng)的價值體(tǐ)現在兩個方面？

(1)、降低了上層隐藏層的計算複雜(zá)度；

(2) 這些池化單元具有平移不變性，即使圖像有很小(xiǎo)的位移，提取的特征也會保持不變。由于增強了對位移的魯棒性，可以忽略目标的傾斜和旋轉等相對位置的變化，從而提高精度。最大(dà)池采樣方法是一(yī)種降低數據維度的有效采樣方法。

3 池化層的作用()

池化的作用體(tǐ)現在下(xià)采樣上：保留顯着特征，降低特征維度，增加感受野。另一(yī)點值得注意：也可以提供一(yī)些旋轉不變性。

池化層可以降低提取的特征信息的維數。一(yī)方面，它使特征圖更小(xiǎo)，簡化了網絡的計算複雜(zá)度，在一(yī)定程度上避免了過拟合。另一(yī)方面，它執行特征壓縮并提取主要特征。

4 池化的效果和解決方法是什麽？

操作是收縮特征圖，可能會影響網絡的精度，所以可以通過增加特征圖的深度來彌補。

5 理解

1 爲什麽推出？

卷積神經網絡使用元素乘加運算完成卷積運算，以完成檢測垂直邊緣的特征。但是這樣做會帶來兩個問題：

1）卷積運算後，輸出圖像尺寸減小(xiǎo)。

2）邊緣信息容易丢失。

爲了解決這個問題，我(wǒ)們引入 .

2 它是什麽？

所謂可以認爲是對圖片進行擴展，在圖片周圍添加一(yī)些像素，并将這些像素初始化爲0。

3 種用途

1）保留邊界信息。如果不加，輸入圖像邊緣的像素信息隻會被卷積核操作一(yī)次，但是圖像中(zhōng)間的像素會被掃描多次，一(yī)定程度上會減少邊界. 信息的參考水平，但是添加之後，在實際處理過程中(zhōng)會從新的邊界開(kāi)始操作，在一(yī)定程度上解決了這個問題。

2）可用于填充不同輸入尺寸的圖片，使輸入的圖片尺寸相同。

3）卷積神經網絡的卷積層的加入可以使卷積層的輸入輸出維度保持一(yī)緻。

4）卷積神經網絡的池化層一(yī)般會加入，以保持邊界信息與Use 1中(zhōng)的描述一(yī)緻。

4種模式

SAME：填充，填充大(dà)小(xiǎo)，p = (f-1)/2；VALID：無填充，直接計算輸出。

五：輸出層（全連接層）

經過前面幾次卷積+激勵+池化，終于來到了輸出層，模型将學習到的高質量特征圖像全連接到該層。事實上，在全連接層之前，如果神經元數量過多，學習能力強，可能會出現過拟合。因此，可以通過引入操作來随機删除神經網絡中(zhōng)的一(yī)些神經元、正則化等來解決這個問題。還可以執行局部歸一(yī)化 (LRN)、數據增強、交叉驗證、提前終止訓練等以提高魯棒性。

說到全連接層，可以理解爲一(yī)個簡單的多類神經網絡（如：BP神經網絡），通過函數得到最終輸出。整個模型都經過訓練。

兩層之間的所有神經元都有權重連接，通常全連接層位于卷積神經網絡的末端。

卷積層和池化層：/p/

CNN中(zhōng)卷積層的計算細節：/p/

卷積神經網絡CNN總結--博客園（寫得好，推薦收藏）

cnn卷積神經網絡各層及典型神經網絡介紹

懂CNN就夠了：卷積神經網絡技術與發展 - 博客 - CSDN博客

了解更多學習網絡推廣知(zhī)識，就來廣西網絡推廣。

上一(yī)篇：推廣競價銷售百度競價推廣經驗分(fēn)享(圖)分(fēn)享
下(xià)一(yī)篇：網絡推廣的目的在哪裏？推廣有哪些方法？(組圖)