卷积神经网络之——核心概念与原理
Posted 攀言
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了卷积神经网络之——核心概念与原理相关的知识，希望对你有一定的参考价值。
上一篇已经说过，卷积神经网络（CNN）的出现主要是为了解决传统神经网络中所求参数过多的问题，那么，对于卷积神经网络而言，最重要的三个核心概念就是稀疏连接（Sparse Connectivity）、共享权值(Shared Weights)、池化(Pooling)。这三个概念将会解释为什么卷积神经网络可以减少所求参数。
CNN是一个多层的神经网络，每层由多个二维平面组成（也就是后面说的"Feature Map"），而每个Feature Map由多个神经元组成。
那么，现在再来逐一解释上面提出的三个核心概念吧。
稀疏连接（有的也叫作局部连接）
对于图像的处理来说，每个像素与其周围像素的联系比较紧密，与离得很远的像素的联系可能就很小了。那么，局部连接指的就是每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连，从而减少了参数的数量。换言之，对数据中的局部区域进行建模，以发现局部的一些特性。
权值共享
权值共享应该是CNN里面最牛X的一招了，因为同一个Feature Map中神经元权值共享同一组权值！！！ 其实，此刻就必须说一下卷积操作了，官方说法是这样的：“图像中不同数据窗口的数据和卷积核（一个滤波矩阵）作内积的操作叫做卷积。其计算过程又称为滤波（filter)，本质是提取图像不同频段的特征”。请看动态图就知道了：
池化(Pooling)
池化操作就是利用矩阵窗口在输入张量上进行扫描，将每个矩阵窗口中的值通过池化方法运算后取得相应的值，作为池化后的值，以减少参数。比如，最常用的池化方法是最大值池化（max pooling）,也就是在nxn的样本中取最大值作为采样后的样本值。
总而言之吧，卷积神经网络的主要思想就是：针对图像处理的特征，通过尽可能保留重要的参数，去掉大量不重要的参数，以此达到更好的学习效果。
好了，这就是卷积神经网络最最核心的东西了！
加油~~~
以上是关于卷积神经网络之——核心概念与原理的主要内容，如果未能解决你的问题，请参考以下文章