一文读懂卷积神经网络（CNN）

最新推荐文章于 2023-03-12 17:00:34 发布

dyna_lidan

最新推荐文章于 2023-03-12 17:00:34 发布

阅读量4.5k

点赞数 7

分类专栏： CNN DL 文章标签： CNN DL

本文链接： https://blog.csdn.net/dyna_lidan/article/details/82686993

版权

本文介绍了卷积神经网络（CNN）的起源，由Hubel和Wiesel的生物视觉感知研究启发，发展到LeCun的LeNet-5模型。CNN的四大组件——卷积层、激活函数、池化层和全连接层在特征提取和降维中起到关键作用。ReLU激活函数、最大池化和全连接层分别用于非线性转换、特征降维和分类。CNN广泛应用于图像识别、视频处理、语音识别等领域。

摘要由CSDN通过智能技术生成

卷积神经网络—起源
1981年，Hubel和Wiesel对猫的视觉皮层细胞研究表明：哺乳动物对外界的视觉感知信息采用了局部感知策略，为此Hubel和Wiesel获得了诺贝尔生物理和医学奖。
视觉的全局感知会导致记忆分散和模糊。局部感知则会增强记忆。那么在神经网络构建，局部连接就会减少权重，降低训练难度。全局感知和局部感知的结构示意图如下:
这里写图片描述

受生物视觉感知的启发，Yann LeCun改进了卷积神经网络，并在手写数字体识别中取得霸主地位。并在1998年LeCun提出LeNet-5模型，卷积神经网络的雏形完成。
卷积神经网络—四剑客
卷积神经网络结构如下：
这里写图片描述
卷积神经网络主要有卷积层、激活函数、池化层、全连接层，俗称卷积神经网络的‘四剑客’。
----卷积层-----
- 与上一层进行局部连接；
- 局部连接的权值叫做卷积核；
卷积核计算示意图:

- 权值共享，相当于卷积核对输入的空间图片进行一块一块扫描。卷积核相当于滤镜的作用对图片进行处理࿰