定义
卷积神经网络
卷积神经网络是一种专门用来处理具有类似网格结构的数据的神经网络。如一维时间序列和二维图像。
卷积
卷积用于寻找图像中的局部特征，是通过卷积核在输入数据上进行滑动并进行矩阵元素乘积求和，得到响应输出映射的过程。
卷积核/过滤器：卷积核是一个固定大小的权矩阵（如3x3）。
填充：在输入数据的边缘补充数据，通常填充0。
- 无填充：不补 0，输出尺寸变小，对应的卷积称为窄卷积。
- 等长填充：补 0，使输出尺寸 = 输入尺寸（步长为 1 时），对应的卷积称为宽卷积。
特性： - 局部感受野：每个神经元只与输入的局部区域连接。
- 权重共享：同一个卷积核在滑动过程中参数不变。
池化（下采样）
对图像进行降维，减少计算量，防止过拟合，同时增强特征对微小平移和变形的鲁棒性。
常见的池化函数有最大池化、平均池化等。
结构
- 卷积层
- 激活函数：为网络引入非线性能力，最常用的是ReLU。
- 池化层
- 全连接层：将提取的高维特征展平为一维向量，融合所欲局部特征，最后通过Softmax输出各类别概率。