卷积神经网络基础与LeNet-5架构解析

在图像识别或目标检测领域，如果还没有掌握构建架构的基础知识，本文将带从基础开始了解卷积神经网络架构，并以一个基础架构为例，应用学习成果。只需要知道卷积是如何工作的，这非常简单！

目录

• 引言
• 池化
• 激活函数
• LeNet-5
• 卷积神经网络的工作原理
• 构建ConvNets所用层的指南
• 注意事项
• 常见问题解答

将逐层深入了解CNN。首先，需要从第一层学习一些内容，包括步长和填充，将简要介绍它们，并提供示例。

假设有一个5×5的输入矩阵和一个3×3的滤波器。对于那些不知道什么是滤波器的人来说，滤波器是应用于图像或矩阵以获得所需特征的一组权重矩阵，请搜索卷积，如果这是第一次接触！

注意：在进行卷积时，总是取所有值的总和或平均值。滤波器可以是任何深度，如果滤波器具有深度d，它可以到达d层深度并进行卷积，即对d层的所有（权重×输入）进行求和。

在这里，输入的大小是5×5，在应用3×3的核或滤波器后，得到一个3×3的输出特征图，让尝试制定这个公式。

填充

在应用卷积时，不会获得与输入相同的输出尺寸，会在边界上丢失数据，因此附加一个零的边框并重新计算卷积，覆盖所有输入值。

将尝试制定这个公式，这里2是沿着高度和宽度的两列零，并对宽度也制定相同的公式。

步长

有时不想捕获所有可用的数据或信息，因此跳过一些邻近的单元格。让可视化它，这里的输入矩阵或图像的尺寸是5×5，滤波器是3×3，步长是2，因此每次跳过两列并进行卷积，让制定这个公式。

如果尺寸是浮点数，可以在输出上取ceil()，即（下一个最接近的整数）。在这里，H指的是高度，因此输出高度是制定的，同样的方法也适用于输出宽度，这里的2是步长值，可以将其作为S在公式中。

池化

一般来说，池化指的是一小部分，因此取输入的一小部分并尝试取平均值，称为平均池化，或者取最大值，称为最大池化，因此通过对图像进行池化，不是取出所有的值，而是取出所有值的总结值！

这里是一个最大池化的例子，因此在这里取一个步长为二，取矩阵中存在的最大值。

激活函数

激活函数是放在神经网络末端或中间的节点。它们有助于决定神经元是否会发射。有不同类型的激活函数，就像上面的图中一样，但本文的重点是Rectified Linear Unit (ReLU)。

不要惊讶，这个函数并不复杂，这个函数简单地返回0如果值是负数，否则它返回给出的相同值，只不过是消除了负输出，并保持值在0到+infinity之间。

LeNet-5

现在，已经学习了所有需要的基础知识，让研究一个名为LeNet的基本神经网络。

在开始之前，将看看迄今为止设计的架构。这些模型在ImageNet数据上进行了测试，有超过一百万的图像和1000个类别来预测。

LeNet-5是一个非常基础的架构，适合任何人开始学习高级架构。

卷积神经网络的工作原理

它通过权重共享和稀疏连接工作。在这里，可以看到卷积有一些权重，这些权重由所有输入神经元共享，不是每个输入都有一个单独的权重，称为权重共享，并且不是所有的输入神经元都连接到输出神经元，只有一些被卷积的被激发，称为稀疏连接，CNN与前馈神经网络没有什么不同，这两个属性使它们特别！

构建ConvNets所用层的指南

以下是用于构建ConvNets的层类型：

1. 输入层：想象它作为地面楼层，原始图像数据进入CNN的地方。
2. 卷积层：这就是魔法发生的地方！就像熟练的工人建造墙壁一样，卷积滤波器在图像上滑动，检测模式并提取特征。
3. 池化层：这就像一个优化建造过程的工头。池化减少了图像大小，使计算更快，减少了内存使用。
4. 激活层：这就像给建筑增添色彩和活力。激活函数引入非线性，允许网络学习特征之间的复杂关系。
5. 全连接层：这就像顶层，所有特征都汇聚在这里进行最终决策。网络接收提取的特征并对图像进行分类。
6. 输出层：这就像屋顶，最终的分类结果在这里显示。

Q1. CNN是有监督的还是无监督的？

CNN是多功能的机器学习算法，能够进行有监督和无监督学习。在有监督学习中，CNN在标记数据上进行训练，而在无监督学习中，它在未标记数据上进行训练。

Q2. 为什么CNN比ANN更好？

CNN和ANN之间的区别：

1. 专为图像相关任务设计。

2. 能够从图像中提取局部特征。

3. 可以在图像的不同部分共享权重。

4. 可以学习图像的层次表示。

5. 任务：图像分类、目标检测、图像分割、面部识别。ANN

6. 适合更广泛的任务，包括图像分类，但不如CNN专业。

7. 能够从非图像数据中学习。

8. 任务：非图像数据的回归、分类、时间序列预测、自然语言处理

Q3. CNN中的损失层是什么？

在CNN中，损失层衡量网络的预测与实际数据的匹配程度。它通过调整其权重帮助网络提高性能。