1.CNN概述

CNN的整體思想，就是對圖片進行下采樣，讓一個函數只學一個圖的一部分，這樣便得到少但是更有效的特征，最后通過全連接神經網絡對結果進行輸出。

整體架構如下：

輸入圖片

→卷積：得到特征圖（激活圖）

→ReLU：去除負值

→池化：縮小數據量同時保留最有效特征

（以上步驟可多次進行）

→輸入全連接神經網絡

2.卷積層

CNN-Convolution

卷積核（或者被稱為kernel, filter, neuron）是要被學出來的，卷積核中的數就是權重（參數）

做內積，把卷積核的每一個參數和圖像中對應位置的數字相乘（對應位置的元素相乘，不同于矩陣乘法），再求和。相當于一個神經元，對輸入的數據，進行權重的分配，而權重就是卷積核的數據。再求和，就是第一個神經元所得到的結果。把這個權重對圖片所有數據進行處理，就得到第一個激活圖或特征圖（feature map）。我們可以增加卷積核的數量，就會得到多層激活圖，可以更好的保留數據的空間尺寸。

當卷積核與圖片進行相乘相加的時候，如果卷積核此時正在計算的區域數字分布與卷積核類似，所得的求和結果會很大（稱為卷積核被激活了），而其他地方會很小，說明圖像在這個區域，有和卷積核類似的圖案。

一個卷積核只能識別一個特征。因此我們需要添加多個卷積核，卷積核越多，得到的激活圖就越深，輸入圖像的信息就越多。

對于彩色的圖來說，不需要把顏色分開，卷積核的深度和圖像深度是一樣的，比如彩色是紅綠藍三層，那么卷積核也是三層。

卷積層相當于降采樣的神經網絡，如下圖，本來應該連接36個神經元，但實際連接了9個。

3.池化層

CNN-MaxPooling

在Max Pooling，也就是池化層之前，會需要進行一個ReLU函數轉化，即把小于0的值全轉為0，其他的不變。

池化層主要就是為了減少數據量，選一個尺寸之后，直接用尺寸中的最大值代替那個尺寸。這樣可以減少數據從而減少運算量。

如下圖所示，輸入數據原本是6*6，通過卷積層之后變成4*4，通過池化層之后變成2*2。對于實際的圖片來說，維度可能很高，因此卷積層，池化層可以多次進行。

4.全連層

將最后得到的高層次特征輸入全連接的神經網絡，即全連層。全連層就是一個全連接的神經網絡，它的參數數量就是最后的池化層輸出的數據數量。

同樣的，前向傳播后，計算損失函數后進行后向傳播，得到各參數的梯度，對各參數進行更新，直到找到最佳參數。

因此，在全連接之前的所有層，不管多少層的卷積、池化，都是為了得到更好的特征的同時降低數據量。使得模型可以更好地訓練。

以上就是Python人工智能深度學習CNN的詳細內容，更多關于人工智能CNN深度學習的資料請關注服務器之家其它相關文章！

原文鏈接：https://blog.csdn.net/Swayzzu/article/details/121043334