卷积神经网络(Convolutional Neural Network,CNN)针对全连接网络 的局限做出了修正,加入了卷积层(Convolution层)和池化层(Pooling 知 层)。
CNN被广泛应用于图像识别、语音识别等各种场合,在图像识别的比赛中, 基于深度学习的方法几乎都以CNN为基础(比如,AlexNet、VGGNet、 Google Inception Net及微软的ResNet等)上。近几年深度学习大放异彩, CNN功不可没。
单通道,二维卷积运算示例:
如上图所示,红色的方框圈中的数字和卷积核乘积再相加得到输出数据。
单通道,二维,带偏置的卷积示例:
带偏置的计算实在上述乘积运算之后加上偏置。
带填充的单通道,二维卷积运算示例:
输出矩阵的大小计算
卷积运算输出矩阵大小计算公式 其中,输入大小为(H, W),滤波器大小为(FH, FW),输出大小为(OH, OW),填 充为P,步幅为S。例如:输入大小(28,31);填充2;步幅3;滤波器大小 (5,5),则输出矩阵大小为:
多通道卷积计算
多通道卷积会按通道进行输入数据和滤波器的卷积运算,并将结果相加, 从而得到输出 多通道、多卷积核卷积计算:
- 每个通道先与第一组卷积核执行卷 积,然后多通道结果叠加,产生一 个输出
- 每个通道与下一组卷积核执行卷积, 产生另一个输出
- 有多少组卷积核,就有多少个通道 输出
|