详解卷积神经网络一张图看懂复杂结构背后的精妙设计

⓵卷积神经网络通俗理解

卷积神经网络的一般理解如下：

卷积神经网络（CNN）的结构

①卷积神经网络的结构一般包括以下几层：

输入层：数据的输入

卷积层：使用卷积核进行特征提取和特征映射。

励层：因为卷积也是线性运算，所以需要添加非线性映射。

池化层：进行下一步采样，对特征图进行稀疏处理，减少数据运算。

全连接层：通常在CNN末端进行重组，以减少特征信息的损失

输出层：用于输出结果

②还有层中间还可以使用一些其他功能层：

归一化层（BatchNormalization）：CNN中特征的归一化

切片层：对特定（图像）数字指导不同的独立学习

融合层：进行独立特征学习的融合分支

请点击进入图像描述

卷积神经网络（CNN）输入层

①CNN输入层的输入格式保了图像本身的结构。

②对于28×28的黑白图像，CNN的输入是28×28的二维神经元。

③对于RGB格式的28×28图像，CNN的输入是3×28×28的三维神经元（RGB中的每个颜色通道都有一个28×28的矩阵）

2）卷积神经网络（CNN）——卷积层

感受野

①卷积层有几个重要的概念：

>

部感受野

共享权重

②假设输入是28×28的二维神经元，我们定义一个5×5的部感受野（感受野为想象）。 隐层中的神经元连接到输入层中的5x5神经元。 这个5×5的区域称为LocalReceptiveFields，

⓶DNN、RNN、CNN分别是什么意思？

DNN（深度神经网络）是深度学习的基础。
DNN可以理解为具有许多隐层的神经网络。 事实上，这些指标都不准确。 多层神经网络和深度神经网络DNN实际上看起来是一样的。
DNN是根据不同层的位置来划分的。 DNN中的神经网络层可以分为三种类型：输入层、隐层和输出层，如下例所示，第一层是输出层，最后一层是输出层，中间层是隐层。
CN（卷积神经网络）是一种前馈神经网络，是深度学习技术域的代表性神经网络之一。
CN在大图像处理方面具有优异的性能，在分类、图像定位等域得到了广泛的应用。 与其他神经网络结构相比，卷积神经网络需要的参数相对较少，因此具有广泛的适用性。
RNN（循环神经网络），一种用于数据序列处理的神经网络。 RNN的主要区别在于层与层之间建立的神经元之间的重连接。
从广义上讲，DNN认为包括CNN和RNN的特定变体。 在实际应用中，深度神经网络DNN结合了各种特征结构，包括卷积层或LSTM单元，特指全连接神经元结构，不包括卷积单元或时间相关性。