什么是cnn卷积神经网络？ta有什么用呢？
这些问题是否现在或者曾经是你们心中的问题？
cnn卷积神经网络详解
cnn卷积神经网络是一种人工智能网络，用于图片识别、图片分类等。
那怎么可以进行图片识别、分类等问题呢？
传一些图片进去为什么能实现训练和分类呢？
明明就是一张人们可见的图片，怎么能用于训练和计算呢？
其实大家应该都知道：灰色图片是由一个2维网格组成
灰色图片：
而彩色图片是由一个3层2维网格组成的，分别是R、P、G
彩色图片
给大家用python来检验一下：
所以，我们可以用图片来进行一系列数值、矩阵运算
到这里，大家应该对图片有些了解了，接下来我们来讲解一下cnn卷积神经网络
cnn卷积神经网络由卷积层、池化层、全连接层组成
卷积层：
这层主要是为了提取图像的特征值（特征值就是：该类图片与其他图片的不同点，如兔子的耳朵、猴子的尾巴）
提取特征值的主要操作：
b=a*w+b w就是在原图片挪动的小框框（即卷积核），小框框每个格子都有自己的值，b就是映射出来的矩阵，即映射出来的图片，b就是一个偏移值
bij=aij*wij+b
不同卷积核能提取图像不同的轮廓
池化层：
池化层为了减少数据量和减少特征值以防止过拟合
什么是过拟合呢？
第一个是欠拟合
第二个是拟合
第三个是过拟合
那什么是池化呢？其实与卷积差不多
就是有一个小框框（即最大池），在图像框中挪动，提取框中的最大值
经过池化的图像能减少一些特征值，让图像轮廓不那么明显
全连接层：
在全连接之前，应该将2维、3维的图像数据变为1维的数据
以便于后续的计算
flatten之后的长度=图片的长度*图片的宽度*3
图片中的fully connected layers就是全连接层的输入层，输入层的神经元个数等于flatten之后的长度
即每个神经元对应每个flatten之后的数值
全连接层的最后一层（图中的output layers）的神经元个数等于要分类的类别数
w就是每个神经元所带的权值，a就是flatten之后每个方格的数值，b就是一个偏移量
最后把每一个output算出来
因为算出来的值有正有负，所以我们用自然指数函数将其变为正的
output=e^output
再采用下面的函数算出该张图片是每一类的每一个概率
图中的e^z正是刚刚算出的每一个output
概率最大的说明就是这一类
全部串起来就是这样：
标签：卷积,神经网络,拟合,cnn,output,图片 来源： https://www.cnblogs.com/jimore/p/15901033.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。