CNN神经网络全称（cnn神经网络全称为什么）

CNN 由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成：
在这里插入图片描述

图 1 卷积神经网络的一个例子

Convnets 背后有三个关键动机：局部感受野、共享权重和池化。

当然，可以通过重叠的子矩阵来编码更多的信息。例如，假设每个子矩阵的大小是 5×5，并且将这些子矩阵应用到 28×28 像素的 MNIST 图像。然后，就能够在下一隐藏层中生成 23×23 的局部感受野。事实上，在触及图像的边界之前，只需要滑动子矩阵 23 个位置。

定义从一层到另一层的特征图。当然，可以有多个独立从每个隐藏层学习的特征映射。例如，可以从 28×28 输入神经元开始处理 MNIST 图像，然后（还是以 5×5 的步幅）在下一个隐藏层中得到每个大小为 23×23 的神经元的 k 个特征图。

理解卷积的一个简单方法是，考虑作用于矩阵的滑动窗函数。在下面的例子中，给定输入矩阵 I 和核 K，得到卷积输出。将 3×3 核 K（有时称为滤波器或特征检测器）与输入矩阵逐元素地相乘，以得到输出卷积矩阵中的一个元素。所有其他元素都是通过在 I 上滑动窗口获得的：
在这里插入图片描述

图 2 卷积运算的一个例子：用粗体表示参与计算的单元

在这个例子中，一触及 I 的边界就停止滑动窗口（所以输出是 3×3）。或者，可以选择用零填充输入（以便输出为 5×5），这是有关填充的选择。

另一个选择是，关于滑窗所采用的滑动方式的步幅。步幅可以是 1 或大于 1。大步幅意味着，核的应用更少，以及更小的输出尺寸，而小步幅产生更多的输出并保留更多的信息。

滤波器的大小、步幅和填充类型是超参数，可以在训练网络时进行微调。
TensorFlow中的ConvNet
在 TensorFlow 中，如果想添加一个卷积层，可以这样写：
在这里插入图片描述

参数说明如下：
• input：张量，必须是 half、float32、float64 三种类型之一。
• filter：张量必须具有与输入相同的类型。
• strides：整数列表。长度是 4 的一维向量。输入的每一维度的滑动窗口步幅。必须与指定格式维度的顺序相同。
• padding：可选字符串为 SAME、VALID。要使用的填充算法的类型。
• use_cudnn_on_gpu：一个可选的布尔值，默认为 True。
• data_format：可选字符串为 NHWC、NCHW，默认为 NHWC。指定输入和输出数据的数据格式。使用默认格式 NHWC，数据按照以下顺序存储：[batch，in_height，in_width，in_channels]。或者，格式可以是 NCHW，数据存储顺序为：[batch，in_channels，in_height，in_width]。
• name：操作的名称（可选）。

下图提供了一个卷积的例子：
在这里插入图片描述

图 3 卷积运算的例子
池化层
假设要总结一个特征映射的输出。可以使用从单个特征映射产生的输出的空间邻接性，并将子矩阵的值聚合成单个输出值，从而合成地描述与该物理区域相关联的含义。

最大池化
一个简单而通用的选择是所谓的最大池化算子，输出在区域中观察到的最大输入值。在 TensorFlow 中，如果想要定义一个大小为 2×2 的最大池化层，可以这样写：
在这里插入图片描述

参数说明如下：
• value：形状为 [batch，height，width，channels] 和类型是 tf.float32 的四维张量。
• ksize：长度 >=4 的整数列表。输入张量的每个维度的窗口大小。
• strides：长度 >=4 的整数列表。输入张量的每个维度的滑动窗口的步幅。
• padding：一个字符串，可以是 VALID 或 SAME。
• data_format：一个字符串，支持 NHWC 和 NCHW。
• name：操作的可选名称。

下图给出了最大池化操作的示例：
在这里插入图片描述

图 4 池化操作的一个例子
平均池化
另一个选择是平均池化，它简单地将一个区域聚合成在该区域观察到的输入值的平均值。

TensorFlow 可以实现大量的池化层，并在线提供了一个完整的列表（https://www.tensorflow.org/api_guides/python/nn#Pooling）。总之，所有池化操作不过是给定区域的汇总操作。

由于有池化层，靠后的层中的神经元看到的更多的是原始图像，因此，能够编辑前几层中学习的基本特征。

到目前为止，描述了 ConvNet 的基本概念。CNN 在时间维度上对音频和文本数据进行一维卷积和池化操作，沿（高度×宽度）维度对图像进行二维处理，沿（高度×宽度×时间）维度对视频进行三维处理。对于图像，在输入上滑动滤波器会生成一个特征图，为每个空间位置提供滤波器的响应。

换句话说，一个 ConvNet 由多个滤波器堆叠在一起，学习识别在图像中独立于位置信息的具体视觉特征。这些视觉特征在网络的前面几层很简单，然后随着网络的加深，组合成更加复杂的全局特征。

到此这篇CNN神经网络全称（cnn神经网络全称为什么）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！

上一篇： cnn算法优缺点（cnn算法是什么意思）

下一篇： dhclient怎么读（dhc英文怎么读）

版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/69188.html

相关文章：