学院网站建设,wordpress 两个导航,成都有没有做网站建设的,之路网站建设刚开始接触深度学习、卷积神经网络的时候非常懵逼#xff0c;不知道从何入手#xff0c;我觉得应该有一个进阶的过程#xff0c;也就是说#xff0c;理应有一些基本概念作为奠基石#xff0c;让你有底气去完全理解一个庞大的卷积神经网络#xff1a;本文思路#xff1a;…刚开始接触深度学习、卷积神经网络的时候非常懵逼不知道从何入手我觉得应该有一个进阶的过程也就是说理应有一些基本概念作为奠基石让你有底气去完全理解一个庞大的卷积神经网络本文思路一、我认为学习卷积神经网络必须知道的几个概念1、卷积过程我们经常说卷积神经网络卷积神经网络到底什么才是卷积网络层卷积过程到底怎么实现我们在这里借鉴了另一位博客大牛的动态图来给大家演示一下图作者文章在此http://blog.csdn.net/silence1214/article/details/11809947我们可以看到卷积过程其实还是基于一个固定的矩阵在另外一个矩阵不断一格一格扫过去的到的数值的和注意这里的一格一格非常重要因为涉及后面的概念步长→我们不妨想一想当固定矩阵不是一格一格前进的时候会发生什么呢产生的一个新的矩阵我们以作为比较会发现粉红色矩阵和绿色矩阵在根本上有很大不一样第一卷积之后的维数降低了第二我们要想想为什么降维了思考降低维度到底有没有规律答案是有的我们发现橙色的固定框为3*3绿色是5*5出来是三乘三所以规律可以得到粉红色最后的卷积结果矩阵维度绿色矩阵维数-橙色矩阵维数1我们又应该思考如果我不想最后减少维度我只希望卷积怎么办呢2、两层之间的池化我们依然延用博客大牛的另一个动图再次点赞做的精细准确我们可以发现其实跟之前没什么不一样还是以三个矩阵之间的运算但是我们很容易发现它并不是一行一行扫过去的橙色矩阵维度是黄色矩阵的整数倍所以池化的最终的结论是要把原来的维度减少到1/n.这是池化最根本的原理当然也有特殊情况。思考点我们想象一下如果一个19*19的矩阵做池化会是一种什么样的体验呢我们不可以缩小整数倍答案会在后面的VGG16里面讲清楚不急不急3、第三个知识点是步长的概念卷积核后面讲到VGG16会介绍移动的步长stride小于卷积核的边长一般为正方行时变会出现卷积核与原始输入矩阵作用范围在区域上的重叠overlap卷积核移动的步长stride与卷积核的边长相一致时不会出现重叠现象。通俗一点其实就是刚刚说的那个粉红色矩阵他每一次移动多少格格子就是步长4、卷积核一个听起来很高大上的词语我们依然用之前的基础来解释通俗易懂就是粉红色矩阵的个数因为有时候我们要提取的特征非常多非常广泛所以需要我们用更多的矩阵来扫多扫几遍那么粉红色矩阵的个数就是卷积核个数。5、Padding:这个应该是最抽象的概念了但是也不会特别难呢就是我们在之前讲到第一点卷积的时候我抛下了一个问题我们又应该思考如果我不想最后减少维度我只希望卷积怎么办呢现在知道括号的重要性了吧哈哈现在我们来解决这个问题比如我们需要做一个300*300的原始矩阵用一个3*3卷积核粉红色矩阵来扫扫出来按照之前公式结果的矩阵应该是298*298的矩阵但是这样很难计算减得也不多反而增加我计算难度还不如池化pooling来得干脆是吧那我们就在300*300矩阵外面周围加一圈“0”记住是在外面外包一层“0”重点是这样的300*300就变成了302*302的矩阵这样就可以完全避开卷积后那两层的抵消。6、还有一个就是通道的概念这个不算知识点仅仅是一个常识词语比如一张图片有RGB三种颜色对应三个灰度级别也就是三个通道了更加抽象的图可以参照下面的结构二、等待已久的VGG16VGG16分为16层我们主要讲前面的前几层越详细越好吧后面是一样的——首先教会大家一个看其他神经网络也是用的办法官方数据表格看懂一些式子表达Conv3-512 → 第三层卷积后维度变成512Conv3_2 s2 → 第三层卷积层里面的第二子层滑动步长等于2每次移动两个格子好了我们有了以上的知识可以考试剖析VGG16卷积神经网络了三、利用之前的基本概念来解释深层的VGG16卷及网络【1、从INPUT到Conv1】首先两个黄色的是卷积层是VGG16网络结构十六层当中的第一层Conv1_1和第二层Conv1_2他们合称为Conv1。我们主要讲述第一个也就是第一层Conv1_1它怎么把一个300*300*3的矩阵变成一个300*300*64的矩阵我们假设蓝色框是一个RGB图像橙色是一个3*3*3的卷积核我们对一个三维的27个数求和然后扫过去按照第一部分算的得出来的是一维的298*298的矩阵因为卷积核也是三维所以结果是一维然后回想一下什么是Padding、前面也讲过它的概念了所以不了一圈的圆回到了300*300*1然后VGG16这一层安置有64个卷积核那么原来的300*300*1变成300*300*64于是我们的到了想要的东西最后的绿色框【1、从Conv1到Conv2之间的过度】这一步用的Pooling是2*2*64 s2也就是说步长是二滑动的矩阵本身没有重叠刚好减半第三维度64不变【3、顺利来到Conv2并且结构完全一样进入Conv3】我们知道原来INPUT是300*300*3过了第一层出来时150*150*64那么第二层仍然有池化有128个卷积核联想推理出来的应该是75*75*128这一步没有问题我们继续往下分析【4、进入Conv3的推演】可以知道第三层有256个卷积核包含三层小的卷基层【5、从Conv3到Conv4之间的过度】池化没有问题但是这里75不是一个偶数怎么弄还记得我们第一部分前面的括号吗就是这样我们在75这里相加了一个一使之成为76变成一个偶数还有一种方法是通过步长的设置这里先不展开来讲了【6、后续的步骤】后面的方法很简单根据我给的那个VGG16的表格查找每一层里面有什么卷积核多少个池化的大小步长多少是否需要Padding解决这些问题你的VGG16就已经完全可以从头到尾说清楚了【7、Faster Rcnn的例子】http://blog.csdn.net/errors_in_life/article/details/70916583转载自https://blog.csdn.net/Errors_In_Life/article/details/65950699
