神经网络通俗讲，麻瓜变大神(三)-卷积神经网络

怼烎@ 2022-05-25 08:18 132阅读 0赞

系列目录:  
[神经网络通俗讲，麻瓜变大神(一)-初识神经网络][-]  
[神经网络通俗讲，麻瓜变大神(二)-解释非线性][- 1]  
[神经网络通俗讲，麻瓜变大神(三)-卷积神经网络][- 2]

其实CNN（网络）很简单，先上图:  
![这里写图片描述][70]  
可以看到，MLP和CNN之间的差别其实就是CNN多了一层CONV(卷积层)和一层POOLING（池化层）。  
那么这两层有什么作用呢？  
其实卷积池化完全可以是看作网络自动帮你提取特征的过程，那么如何理解这个特征提取呢？  
CONV卷积的计算,其实很简单：  
有几个元素:  
1.filter,可以理解为对一张图像提取特征的助手，这里为(2\*2)大小，500个filter助手，然后每一次fliter和  
2.stride=1，可以理解为filter在(4\*4)image上滑动步伐的大小，这样一步一步的滑动，就像落叶一卷而过，所以才叫卷积神经网络  
3.featrue map(特征图)，即每一次filter和image上的框进行计算，都会计算出一个值，然后这个值就是featrue map上的一个点，这里每个filter计算完后都得到(4\*4)大小的特征图，  
这里的特征图总共有500个，可以理解为对原始图像image,提取出了500张不同的特征图。  
![这里写图片描述][70 1]  
POOLING的计算，比conv更简单，可以看作是对特征图进行压缩的过程:  
有几个元素  
1.bins,相当于conv中没有w权重的filter，只是一个框。  
2.stride=1，步长  
3.有Max pooling,mean pooling两种  
4.如何反响传播  
Max pooling 之前最大值的位置保留，其它全为0  
mean pooling 平均到每一个点  
![这里写图片描述][70 2]

这里可以看看原始图像和经过卷积以后图像对比，[keras 模型参数，模型保存，中间结果输出][keras]

[-]: https://blog.csdn.net/u011311291/article/details/79841748
[- 1]: https://blog.csdn.net/u011311291/article/details/79996630
[- 2]: https://blog.csdn.net/u011311291/article/details/80273394
[70]: /images/20220525/c818e736b76c4a7aa0c0f9b516a7ccc7.png
[70 1]: /images/20220525/2a6c7a38fefd4aa8b46496cd02d59fd6.png
[70 2]: /images/20220525/bd347275b6c243ac8d8d8087e065e972.png
[keras]: https://blog.csdn.net/u011311291/article/details/79963831