当前位置：首页 > 神经网络 > 正文

卷积神经网络简单原理

组件	描述
卷积层（Convolutional Layer）	卷积层是CNN的核心，通过卷积作从输入数据中提取特征。使用可学习的滤波器（卷积核）在输入数据上滑动，计算滤波器与输入数据对应区域的点积，生成特征图。
活层（Activation Layer）	活层通常紧跟在卷积层之后，用于增加模型的非线性。常用的活函数包括ReLU（Rectified Linear Unit）、Sigmoid、Tanh等。
池化层（Pooling Layer）	池化层用于降低特征图的维度，减少计算量，并保留重要的特征。常见的池化作包括最大池化（Max Pooling）和平均池化（Average Pooling）。
全连接层（Fully Connected Layer）	全连接层将卷积层和池化层提取的特征映射到输出空间。每一层中的神经元都与其他层中的所有神经元相连接。
部连接与参数共享	CNN使用部连接，即每个神经元的输入仅限于输入数据的一个小区域。参数共享意味着在卷积层中，同一滤波器重复应用在输入数据的多个位置上，这减少了模型的参数数量。
平移不变性	通过部连接和参数共享，CNN能够识别图像中的特征，而不管它们的位置如何，这称为平移不变性。