卷积神经网络的特点

Posted 2021-04-03 AI与深度学习

卷积神经网络(CNN)是深度学习算法中一种比较成熟的算法，有对数据的自学习能力，即使工作人员对原始数据没有经过任何的处理和了解，也可以使用 

CNN 网络直接学习总结数据本身特有的特征，一旦完成训练就具有很高的特征识别能力。卷积神经网络三个最主要的优点：局部连接、权值共享和时间或空间上的降采样。

(1) 局部连接

 

在 CNN 中相邻两层神经元之间的连接是局部连接，即前一层的每个神经元没有和下一层的每个神经元都连接。因此，卷积层中利用卷积核与输入图像的局部区域进行运算，通过对神经网络各层数据的提取，最后在最后一层整合局部信息就可以得到完整的特征信息。卷积神经网络运用这种稀疏连接的思维有效地减小了神经网络结构中神经元和权值的数量，在很大程度上提升了CNN 

的运算效率。

 

(2) 权值共享

 

在卷积神经网络中，卷积核中的参数是共享的，包括一样的权值矩阵和相同的

偏移向量，不同的卷积核会提取不同的特征。权值共享是 CNN 与其他神经网络相比最为特殊的一个特点，它减少了卷积神经网络的参数规模，提高了网络的学习效率，由于可以统一的提取图像的特征，所以不用考虑局部特征在输入图像中的位置。

 

(3) 降采样

 

输入图像经过卷积层后会得到多个特征图，虽然矩阵的维度有所减小但仍旧很

大，增加了计算的难度，为了对数据进行继续降维，就引入了降采样，大大减少了数据量。降采样本质上就是通过池化核对卷积后的特征矩阵在空间时间上进行缩减映射，从而减小数据的维度和计算的复杂程度，并且数据在平移的过程中保持不变，即不会失去数据的特征值。