卷积神经网络CNN的根本布局

卷积神经网络在AI范畴中一种常见的东西，格外是在图像辨认、处置惩罚中很常见。与传统的神经网络差别，它的每个神经元可以看作包罗了卷积、阈值、池化三个步调。卷积操纵用于特性辨认，阈值操纵通常是ReLU函数用于特性的提取，池化层相称于数据的压缩。

卷积相称于一个特性辨认的历程，每一个特性便是一个卷积核，好比我要找眉毛就用眉毛和图片做卷积假如，找鼻子就用鼻子和图片做卷积，便是先乘后加再除的一串操纵。

左上角便是卷积核，代表的某种特性，中心的便是必要辨认的图像，右上角便是卷积的效果，假如找到了特性那么算下来的效果值是最大的，以是在卷积后图像中找到最大值的位置就找到了特性。固然这个最大值每每是由某个阈值来操纵的，这就用到了ReLU函数，凌驾的阈值的数会被保存下来，如许图像就酿成了一副准特性图了。

固然这个函数不是一个门路函数，必要一个一连函数才气在神经网络中练习，以是普通选择ReLU函数。颠末阈值处置惩罚今后，图像中包罗了许多没用的0，以是这时间可以将没有效的信息去失，使得图像只保存特性的信息便于今后举行处置惩罚，这个步调便是池化pooling。

用一个最大2*2矩阵扫描图像，取每个地区某个特性，如选戋戋域中的最大值便是max_pooling，如上图。颠末池化操纵，图像就被压缩了保存了那些你必要的信息。

CNN素质上是神经网络，通过每一层的数据处置惩罚工具的特性被提取出来了，然落伍入下一层举行进一步的提取直到得到效果。神经网络的根本布局就包罗这几个根本要素，在其上另有很多的改变，但是万变不离都离不开他的根本布局。