网站的建设与管理自考,利用店铺网站做灰色优化,低价网站开发,给网络公司起名字大全概要 在图像处理领域#xff0c;CNN(卷积神经网络)处于绝对统治地位#xff0c;但对于CNN具体是如何用神经网络实现的#xff0c;能找到的介绍要么是一大堆数学公式#xff0c;要么是大段晦涩的文字说明#xff0c;读起来很是辛苦#xff0c;想写好一片完整的而且有深度的… 概要 在图像处理领域CNN(卷积神经网络)处于绝对统治地位但对于CNN具体是如何用神经网络实现的能找到的介绍要么是一大堆数学公式要么是大段晦涩的文字说明读起来很是辛苦想写好一片完整的而且有深度的文章出来非常难所以本文适合入门的朋友对CNN的学习和了解。 CNN主要思路快速回顾
为了便于大家理解这里简单回顾一下CNN的主要思路对于一张M * N像素的图我们用一个大小为 S * S(如3 * 3)的特征提取器扫描整个图片强化图片的重要特征忽略不重要的细节得到一个强化了特征的新图 不断递归上述过程就可以逐渐从细节特征(如线条、纹理)中提取出高级特征(如器官、物种)最终完成各种图像处理任务。
图解CNN的神经网络实现过程 假设我们有一张3 * 3的图图中每个像素用一个字母表示 我们的特征提取器为一个2 * 2的矩阵矩阵每个元素是一个希腊字母 用特征提取器处理后的图片为 其详细工作过程如下 上述工作过程可以表达为以下等式 注意上述等式中的bias参数b在4个等式中都是一样的可以把b理解为特征提取器的一部分就像权重参数(α, β, γ, δ)是特征提取器的一部分一样。
上述等式更紧凑的写法为 上述写法可以直接表示为一个神经网络(连接线对应权重α, β, γ, δ) 神经元的激活过程就是权重矩阵和输入矩阵的乘积 这里有两个要注意的点 灰色格子的0代表不可训练的参数它们在整个训练过程中始终为0 剩下可训练的参数中很多参数取值是保持相同的这叫做共享权重
权重矩阵的每一行代表了在图片上对特征过滤器的一次应用其中的0表示这次应用不会覆盖的像素。
假设我们把取值为0的权重也补充到上面的神经网络图中(用灰色的线表示0权重)就可以得到一个经典的、全连接的神经网络图 去掉颜色和字母就和熟悉的神经网络示意图一模一样了 上面我们用一个2 * 2的特征提取器把一个3 * 3的图变成了一个2 * 2的图通过zero-padding和一个3 * 3的特征提取器我们就可以保持图片大小不变 其工作过程如下 而如果不应用zero-padding则我们只能得到一个1 * 1的结果图 以上就是CNN落地实现为神经网络的过程欢迎大家阅读感谢。
