【神经网络】卷积神经网络CNN

卷积神经网络

欢迎访问Blog全部目录！

1. 神经网络概览

Leijnen, Stefan & Veen, Fjodor. (2020). The Neural Network Zoo. Proceedings. 47. 9. 10.3390/proceedings47010009.

2.CNN（Convolutional Neunal Network）

CNN的核心为使用卷积核对图像矩阵进行卷积运算（线性运算）！！！

2.1.学习链接

学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇_cnn理论-CSDN博客
【深度学习】一文搞懂卷积神经网络（CNN）的原理（超详细）_卷积神经网络原理-CSDN博客

2.2.CNN结构

2.2.1.基本结构

2.2.1.1输入层

​ 图片在计算机中是包括 （宽，高，深）的三维矩阵，元素为灰度值或RGB值，其中矩阵的深即为RGB层次。如果为RGB图片，图片深度为3。图片的三维矩阵即为CNN的输入。（宽，高）矩阵为1个channel，（宽，高）矩阵为特征图。

​ 输入层即接收原始图片数据，CNN可以保留图片的连续像素（物体的不变性），加深神经网络对图片的理解。

2.2.1.2.卷积层|Convolution Layers

作用：捕捉图片的局部特征而不受其位置的影响。

多个卷积核叠加即为卷积层。

卷积层后需接激活函数（如ReLU）来引入非线性。

2.2.1.3.池化层|Pooling layers

作用：通过减小特征图的大小（下采样）来减少计算复杂性。它通过选择池化窗口内的最大值或平均值来实现。这有助于提取最重要的特征。

有点类似于图像的模糊处理！

2.3.1.4.全连接层|Linear