类视觉的提取特征类似如下图所示 图中的黄色部分是

sanabiul23

这就是CNN的基础思路。 三、CNN的基本原理 CNN由卷积层、池化层、全连接层三部分构成它们各自的作用如下 卷积层（Convolutional Layer卷积层负责提取图像中的局部特征。 池化层（Pooling Layer池化层负责大幅降低参数量级在保留重要特征信息的同时降低计算复杂度。 全连接层（Fully Connected Layer全连接层类似传统神经网络的作用根据卷积层和池化层处理过的数据计算出最终的结果。


我们先来看看卷积层卷积层提取局部特征的 电话号码数据 过程和人一个滤波器（Filter我们称它为“卷积核”它是一个小的矩阵。 卷积核通过滑动窗口的方式在输入数据上进行卷积操作卷积核的每个元素与输入数据对应位置的元素相乘然后将所有乘积结果相加得到卷积操作的输出结果。 不同的卷积核可以捕捉到不同的特征例如边缘、纹理、形状等。 B端产品经理如何快速上手新业务？ 在入职新公司或需要负责新业务时B端产品经理要如何快速上手新业务从而更顺畅地进入工作流程？ 查看详情 > 在训练过程中卷积神经网络会学习到最优的卷积核参数使得网络能更好的提取输入数据的局部特征。






因为卷积核比较小即便我们做完了卷积处理图像依然很大这时候需要池化层来对数据进行降维操作 池化层通过对输入数据的局部区域进行汇聚操作例如最大池化或平均池化来减少特征图的大小。 比如原图是*我们用一个*的采样窗口对原图进行下采样最终可以将原图下采样为一个*的小图。 这个操作其实就是降低图片的像素从高清图变成模糊图这样既保留了主要特征信息还有效的过滤掉了图片中的干扰信息减少了向下一阶段传递的数据量。 池化层可以更有效的降低数据维度大大减少参数和运算量同时还可以避免过拟合现象的发生。