卷积神经网络（Convolutional Neural Networks, CNN）

卷积神经网络（Convolutional Neural Networks, CNN）是深度学习范畴中用于处理惩罚具有网格结构的输入（如图像和视频）的神经网络模子。下面以最简朴、直观的方式概述CNN的重要流程及其根本概念：
1. 输入层

•         概念：输入层直接吸取原始数据，比如一张图片，通常是一张二维或三维的矩阵，包罗像素信息。
  
•         流程：比方，输入一张28x28像素的灰度图像，形成一个28x28的矩阵，每个元素代表一个像素的亮度值。
  

2. 卷积层

•         概念：卷积层通过卷积核（或称滤波器）扫描输入数据，辨认特定的特性。卷积核是一个小的矩阵，它会与输入数据的局部地区做元素相乘再求和的操纵。
  
•         流程：一个3x3的卷积核在输入图像上滑动，每次覆盖9个像素，盘算一个值，如许就形成了一个“特性图”，可以或许捕捉图像中的根本特性，如边沿、纹理等。
  

3. 激活函数

•         概念：激活函数引入了非线性变更，使得网络可以或许学习更复杂的模式。
  
•         流程：通常在卷积操纵后应用，如ReLU（Rectified Linear Unit），它会将全部负值置为0，生存和放大正值，增强网络的表达本领。
  

4. 池化层

•         概念：池化层用于低落数据的维度，同时生存紧张信息，增强模子对位置稍微变革的鲁棒性。
  
•         流程：常见的有最大池化（取局部地区的最大值）和匀称池化（取局部地区的匀称值），通常利用2x2的窗口，步长为2，将特性图的尺寸减半。
  

5. 全毗连层

•         概念：全毗连层毗连全部神经元，用于整合全部特性，做出终极的分类或回归推测。
  
•         流程：将卷积和池化后的多维特性图展平为一维向量，通过权重矩阵映射到分类标签的空间，输出每个种别的概率。
  

6. 输出层

•         概念：输出层给出终极的分类决议或回归结果。
  
•         流程：在分类任务中，通常通过softmax函数将全毗连层的输出转换为概率分布，推测概率最高的种别为最闭幕果。
  

整个过程可以概括为：原始图像输入 → 卷积提取特性 → 激活非线性变更 → 池化降维 → 全毗连层整合特性 → 输出层给出推测结果。
通过多层的卷积和池化处理惩罚，CNN可以或许从原始像素中主动学习和提取多条理的特性，终极用于辨认和分类。

2. class CNN(nn.Module):
3.     def __init__(self):
4.         super(CNN, self).__init__()
5.         self.conv1 = nn.Sequential(         # 输入大小 (1, 28, 28)
6.             nn.Conv2d(
7.                 in_channels=1,              # 灰度图
8.                 out_channels=16,            # 要得到几 多少个特征图
9.                 kernel_size=5,              # 卷积核大小
10.                 stride=1,                   # 步长
11.                 padding=2,                  # 如果希望卷积后大小跟原来一样，需要设置padding=(kernel_size-1)/2 if stride=1
12.             ),                              # 输出的特征图为 (16, 28, 28)
13.             nn.ReLU(),                      # relu层
14.             nn.MaxPool2d(kernel_size=2),    # 进行池化操作（2x2 区域）, 输出结果为： (16, 14, 14)
15.         )
16.         self.conv2 = nn.Sequential(         # 下一个套餐的输入 (16, 14, 14)
17.             nn.Conv2d(16, 32, 5, 1, 2),     # 输出 (32, 14, 14)
18.             nn.ReLU(),                      # relu层
19.             nn.Conv2d(32, 32, 5, 1, 2),
20.             nn.ReLU(),
21.             nn.MaxPool2d(2),                # 输出 (32, 7, 7)
22.         )
23.         
24.         self.conv3 = nn.Sequential(         # 下一个套餐的输入 (16, 14, 14)
25.             nn.Conv2d(32, 64, 5, 1, 2),     # 输出 (32, 14, 14)
26.             nn.ReLU(),             # 输出 (32, 7, 7)
27.         )
28.         
29.         self.out = nn.Linear(64 * 7 * 7, 10)   # 全连接层得到的结果
31.     def forward(self, x):
32.         x = self.conv1(x)
33.         x = self.conv2(x)
34.         x = self.conv3(x)
35.         x = x.view(x.size(0), -1)           # flatten操作，结果为：(batch_size, 32 * 7 * 7)
36.         output = self.out(x)
37.         return output

复制代码

1. 再到场一层卷积，结果怎么样？

在神经网络中，增长一层卷积层通常可以增强模子的表征本领，使其可以或许学习到更复杂的特性。但是，这同样会增长模子的复杂度，大概导致模子练习时间变长，以及在数据量不敷时容易发生过拟合。详细结果怎样，必要通过实验验证。
比方，假如原模子有一层卷积层，你可以实验在厥后增长另一层卷积层，同时思量利用更小的滤波器（比方 3x3）和符合的步长与添补，以保持输出尺寸稳固。增长的卷积层可以利用ReLU激活函数，以保持非线性。

2. conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1)
3. conv2 = nn.Conv2d(out_channels, out_channels_next, kernel_size=3, stride=1, padding=1)

复制代码

在实际操纵中，必要监控模子的练习和验证集性能，确保增长的复杂性带来了实际的性能提升。
2. 当前任务中为什么全毗连层是3277？每一个数字代表什么寄义？

在卷积神经网络中，全毗连层前的尺寸通常反映了特性图的巨细和深度。3277中的每个数字有其特定寄义：

•         32：代表特性图的深度（也就是上一层输出的通道数）。这通常是指在卷积层或池化层后，模子学习到的特性的数量。每个通道可以看作是模子学习到的某种特定特性的相应。
  
•         7 和 7：表现特性图的宽度和高度。这是颠末一系列卷积和池化操纵后，原始输入图像被降采样（或下采样）后的尺寸。
  

以范例的CNN架构为例，假设输入图像为224x224像素，利用一个7x7的卷积核，颠末两次最大池化（每次池化核巨细为2x2，步长为2），特性图的尺寸会从224x224降为56x56，再降为28x28，末了到14x14。假如在14x14的特性图上再利用卷积层，特性图的深度会增长，但宽度和高度保持稳固，直到末了被展平（flatten）成1D向量送入全毗连层。
因此，假如终极特性图的深度为32，而宽度和高度均为7，展平后的向量长度即为3277，这是在进入全毗连层前，模子对图像特性的终极表征。全毗连层将利用这些特性举行终极的分类决议。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金