文章目录
前言
CNN对于初学者而言，有很多理解起来很困难的地方，偶然找到一个网站，可视化展示CNN：点击下面链接
CNN Explainer
将CNN过程的每一步进行可视化，十分便于新手小白进行学习理解 #新手入门CNN
功能展示
CNN包含输入层,卷积层，ReLU，池化层和全连接层。
–输入层：图示例子中，输入是（64x64x3）的图像，有RGB三个chanel（通道）。
–卷积层：经过10个3x3的kernel（卷积核），没有padding的情况下，得到intermediate（62x62x10）。注：卷积核一般为奇数，例如3x3。卷积核可以理解为特征的过滤器，矩阵中心位置即为特征的中心点。
-ReLU：
卷积后需要经过非线性层。
-池化层：
池化层这里没有要学习的参数，是降采样的过程，会提高计算速度。
–全连接层：
经过多次卷积，池化后，得到（13x13x10）的张量，展开成1690x1的flatten，通过softmax进行多分类的输出。
Softmax 的计算方法如下：
超参数
***卷积核相关***
卷积核的空间尺寸：一般为奇数，eg：（3x3）。小特征用小尺寸，大特征用大尺寸。
卷积核的数量：取决于要提取的特征数量。
输入数据的深度：取决于输入数据的通道数（number of chanels）
步长(Stride)：卷积核每次平移的距离
零填充（No Padding）：可以控制输出数据体的空间尺寸。
***卷积核相关***
CNN的优点
优点
•共享卷积核,对高维数据处理无压力
•无需手动选取特征,训练好权重,即得特征分类效果好
缺点
• 需要调参,需要大样本量,训练最好要 GPU
•物理含义不明确(也就说,我们并不知道没个卷积层到底提取到的是
什么特征,而且神经网络本身就是一种难以解释的 “ 黑箱模型 ” )
