前馈(向)网络之卷积神经网络

2024-03-11 17:58

本文主要是介绍前馈(向)网络之卷积神经网络,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

传统的神经网络:

多层感知器(DNN,MLP等),对图片这类数据可能不太适合!

 图片数据,比如:32*32*3,展开大概是4000维的向量,如果一层神经元是1024个那么进行全连接每层会有400W个参数

ps:参数过多主要是会导致过拟合的,而且网络学习很缓慢。

ps:一般是没有足够的样本量来去学习这么复杂的网络。

ps:基于参数的问题,于是引出了卷积神经网络(CNN)!

引出卷积神经网络

数据输入层/input  layer

   :主要进行数据的预处理,数据标准化(图像数据乘1/255即可),PCA降维,图片加噪声。

卷积计算层/CONV layer

计算示例的标准格式:

      :深度(depth)是神经元的个数,步长stride是滑窗滑动的格数(比如3*3的矩阵每次滑动1格),矩阵的padd填充                       值为0!公式:(8-3)/s+1。O=(I-K+2P)/S+1   p=padding=SAME  s=stride[1,2,2,1]

      :参数共享机制,一个神经元对应图片每个滑窗的权重一样,但是不同神经元的权重是不同的

ps:可以促使参数量降低很多,是跟每层的卷积核个数,卷积核的size,以及深度有关。

ps:第一,能够很好的把参数量降低下来,

ps:第二,卷积的过程也是在进行内积的运算促使特征进行组合。

正常情况的卷积计算示例:(上下每次移动4格)

1*1的卷积核示例:其实就是利用数值将通道数量缩减了(512==>32)

ps:1*1卷积核,可以进一步降低参数量,将通道深度进行内积整合到一起进行了特征组合。

全连接计算:

激励层/Activation  layer(通常卷积层后面会默认跟一个激励层)

       :把卷积层的的输出结果做一个非线性映射

ps:通过卷积层也可以看成是一种特征的组合。

ps:非线性的变换也可看成是一种特征的组合。

       :激活函数

ps:激活函数可能会引来梯度弥散的问题。

ps:比如sigmod和tanh函数对于bp反向传播的梯度优化会造成此问题,当模型层数过深也会导致此问题。

ps:sigmoid和tanh的值域是对称的形式;       

       :ReLu是修正线性单元,大于0就有斜率,小于0就为0,可以达到随机失活(dropout)的特性!

       :Leakly ReLu 是对ReLu斜率的线性修正,斜率不会直接为零。

       :Maxout,是用两条线段进行组合,不同的值在哪条线上斜率大就取谁。

       :ELu,是对ReLu的一种修正,是指数修正

ps:一般会先使用Relu激活函数,一般效率高而且效果还好。

池化层/pooling  layer(下采样层)

         :Max Pooling最大池化:保留数据当中最明显的特征(用的最多)

         :Average Pooling平均池化:保留数据中的平均值特性(用的不多)

ps:降维, 来降低过拟合的风险。   

ps:满足特征不变性,我们只关注明显的特征值,而不是特征的边缘位置信息,使用池化层可以把这些不重要的位置信息去除掉,而保留最重要的特征!

全连接层/FC layer

         :两层之间所有的神经元都有权重连接

ps:相当于就是一个笛卡尔积。

         :通常全连接层在卷积神经网络尾部

         :全连接层,是把图像展开成一维向量,然后与权重相乘得到一个val来实现全连接!

ps:展开后会造成大量的参数。

过拟合之正则化与Dropout:

:当模型过拟合的时候。

ps:L1和L2正则项处理效果不明显,在这里提出随机失活的思路!

:每一轮训练中,在每一层中的神经元会有一个开关,有概率失活也有概率打开

:开关是闭合的该怎么算就怎摸算,当开关一旦打开,不管前面算到的甚么结果都会失效,值为零,从新进行学习!

Dropout的理解:

:第一种,神经网络学到的东西太复杂了,要保持泛化能力,就要通过舍弃信息,让学习变得的缓慢一点!

ps:通过舍弃信息来保持泛化能力,减缓学习速度,来提升效果。

:第二种,每轮训练都关掉一部分感知器,每一轮都会得到一个新模型,相当于是进行模型融合bagging减少方差!

ps:通过训练多个模型来解决过拟合的问题。

ResNet网络

ps:基于模型来解决梯度消失这一问题,引出ResNet。

这个网络的连接不是一层扣一层的,每层都会有一个高速通道(算是一条捷径)可以进行跳跃。

ps:通过高速通道天然的防止过拟合!

ps:就是通过在梯度连乘的基础上引进了加法。

ps:基于此很好的处理了梯度弥散的问题。

这篇关于前馈(向)网络之卷积神经网络的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/798591

相关文章

Linux系统配置NAT网络模式的详细步骤(附图文)

《Linux系统配置NAT网络模式的详细步骤(附图文)》本文详细指导如何在VMware环境下配置NAT网络模式,包括设置主机和虚拟机的IP地址、网关,以及针对Linux和Windows系统的具体步骤,... 目录一、配置NAT网络模式二、设置虚拟机交换机网关2.1 打开虚拟机2.2 管理员授权2.3 设置子

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

SpringBoot使用OkHttp完成高效网络请求详解

《SpringBoot使用OkHttp完成高效网络请求详解》OkHttp是一个高效的HTTP客户端,支持同步和异步请求,且具备自动处理cookie、缓存和连接池等高级功能,下面我们来看看SpringB... 目录一、OkHttp 简介二、在 Spring Boot 中集成 OkHttp三、封装 OkHttp

Linux系统之主机网络配置方式

《Linux系统之主机网络配置方式》:本文主要介绍Linux系统之主机网络配置方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、查看主机的网络参数1、查看主机名2、查看IP地址3、查看网关4、查看DNS二、配置网卡1、修改网卡配置文件2、nmcli工具【通用

使用Python高效获取网络数据的操作指南

《使用Python高效获取网络数据的操作指南》网络爬虫是一种自动化程序,用于访问和提取网站上的数据,Python是进行网络爬虫开发的理想语言,拥有丰富的库和工具,使得编写和维护爬虫变得简单高效,本文将... 目录网络爬虫的基本概念常用库介绍安装库Requests和BeautifulSoup爬虫开发发送请求解

如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解

《如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解》:本文主要介绍如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别的相关资料,描述了如何使用海康威视设备网络SD... 目录前言开发流程问题和解决方案dll库加载不到的问题老旧版本sdk不兼容的问题关键实现流程总结前言作为

SSID究竟是什么? WiFi网络名称及工作方式解析

《SSID究竟是什么?WiFi网络名称及工作方式解析》SID可以看作是无线网络的名称,类似于有线网络中的网络名称或者路由器的名称,在无线网络中,设备通过SSID来识别和连接到特定的无线网络... 当提到 Wi-Fi 网络时,就避不开「SSID」这个术语。简单来说,SSID 就是 Wi-Fi 网络的名称。比如

Java实现任务管理器性能网络监控数据的方法详解

《Java实现任务管理器性能网络监控数据的方法详解》在现代操作系统中,任务管理器是一个非常重要的工具,用于监控和管理计算机的运行状态,包括CPU使用率、内存占用等,对于开发者和系统管理员来说,了解这些... 目录引言一、背景知识二、准备工作1. Maven依赖2. Gradle依赖三、代码实现四、代码详解五

Linux 网络编程 --- 应用层

一、自定义协议和序列化反序列化 代码: 序列化反序列化实现网络版本计算器 二、HTTP协议 1、谈两个简单的预备知识 https://www.baidu.com/ --- 域名 --- 域名解析 --- IP地址 http的端口号为80端口,https的端口号为443 url为统一资源定位符。CSDNhttps://mp.csdn.net/mp_blog/creation/editor

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}