十五天掌握CNN——卷积计算层



魏老师学生——Cecil:学习卷积神经网络CNN之旅

局部关联:每个神经元看作一个filter / kernal;

窗口滑动,filter对局部数据进行计算;

深度depth、步长stride、填充值zero-padding。

人的大脑识别图片过程

  1. 由不同皮质层处理不同方面数据:颜色、形状、光暗等。
  2. 将不同皮质层处理结果进行合并映射操作。
  3. 得出最终结果值。
    前面实质是局部观察结果,后面是整体合并结果。
    1
    **局部感知:**图像的空间联系只是局部的像素联系较紧密,远距离像素相关性弱,所以每个神经元没有必要对全局像素感知。对局部感知,在更高层次对局部信息进行综合操作得出全局信息。
    卷积理解1

全连接特征

2
卷积计算层演示
3
原图像大小:8×8;窗口大小:3×3;步长:1;新图像大小:6×6。
4
5
6
7
8
9
10
11
12
13
新图像元素结果 = 两窗口区域对应位置数据乘积和。

RGB图片输入卷积计算过程

输入RGB图片时,输入的一个向量,三通道图片。
1
2
3
4
5
6
7

  1. 局部感知:计算时,将图片划分为一个个区域进行计算。
  2. 参数共享机制:每个神经元连接数据窗的权重固定。
  3. 滑动窗口重叠:降低窗口之间的边缘不平滑特性。
  4. 固定每个神经元的连接权重,将神经元看成一个模板(卷积核),即每个卷积核只关注一个特性。从而大大减少计算权重个数。
  5. 卷积:一组固定的权重和窗口内数据做矩阵内积后求和的过程。

示例:卷积核

1
2
3
4
5
6
原始输入一个channel的图像,分别做四个不同的卷积操作,输出得到四个feature map的结果。这四个feature map相当于从四个不同的角度去衡量/观测这个原始图像得到的特征信息。

7
8