目录
感谢作者：
CNN笔记：通俗理解卷积神经网络_v_JULY_v的博客-CSDN博客_卷积神经网络通俗理解
什么是神经元？
神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后，最开始只是简单的线性加权，后来给每个神经元加上了非线性的激活函数，从而进行非线性变换后输出。每两个神经元之间的连接代表加权值，称之为权重（weight）。不同的权重和激活函数，则会导致神经网络不同的输出。
- 权重w的作用就是输入对结果的影响大小，比如x1对结果判断影响的大一些，就把w1设置的大一点
- f是激活函数，用来把线性的输入变成非线性的
- 计算公式中一般还要加上一个b偏置量，对计算结果做进一步的调整
- 上图计算公式为 O= *f(w1x1+w2x2+w3x3+b)
激活函数的作用？
常见的激活函数：sigmoid、tanh、relu等
sigmoid函数的功能是相当于把一个实数压缩至0到1之间。当z是非常大的正数时，g(z)会趋近于1，而z是非常小的负数时，则g(z)会趋近于0。
压缩至0到1有何用处呢？用处是这样一来便可以把激活函数看作一种”分类的概率”，比如激活函数的输出为0.9的话便可以解释为90%的概率为正样本。
什么是神经网络？
多层神经元层层叠加形成神经网络。
- 输入层 ：最外层直接与输入连接的神经元层（在第一层中，有几个输入就有几个神经元）
- 隐藏层：输入层和输出层之间的多层神经元层
- 输出层：最终得出结果的神经元层（在最后一层中，有几个输入就有几个神经元）
每一层都可能由单个或多个神经元组成，每一层的输出将会作为下一层的输入数据。
层与层之间是全连接层，即每个神经元都与下一层的每个神经元相连接，但是同层之间的神经元没有连接关系
第2层隐藏层的第1个神经元的结果就是第1层隐藏层5个神经元的结果相加，再加上偏置值b，再放入激活函数中
第输出层神经元的结果就是第2层隐藏层3个神经元的结果相加，再加上偏置值b，再放入激活函数中
CNN怎么进行识别？
简言之，当我们给定一个”X”的图案，计算机怎么识别这个图案就是”X”呢？一个可能的办法就是计算机存储一张标准的”X”图案，然后把需要识别的未知图案跟标准”X”图案进行比对，如果二者一致，则判定未知图案即是一个”X”图案。
计算机如何识别图像？
在本例中，计算机存储图像就是一个9*9的二维数组，白色存1，黑色存-1，通过一个一个对比两张图的像素点，来判断是不是想要判断的图像。
但是这么做，显得太不合理了。理想的情况下，我们希望，对于那些仅仅只是做了一些像平移，缩放，旋转，微变形等简单变换的图像，计算机仍然能够识别出图中的”X”和”O”。就像下面这些情况，我们希望计算机依然能够很快并且很准的识别出来。
CNN如何更准确人性化的对比图像？
一个一个像素格对比图像不显示，如果想要识别的图像和原图稍有不同，如位置不一样，就会识别不出来，所以 CNN会对原图进行特征提取，找出最能代表该图形的一块一块的区域，这些特征区域一定能唯一标识该图形，然后用这些区域和想要识别的图像作对比，如果图像有这些特征，那么图形上肯定匹配出这些特征块，由此我们便可以得出该图形和原图代表着一样的意思。
什么是卷积操作？
未知图案的局部和标准X图案的局部（特征区域）一个一个比对时的计算过程，便是卷积操作。
实质上就是完成y=wx+b的过程
对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做 内积（逐个元素相乘再求和）的操作就是所谓的卷积操作。
- 滤波器filter：图中的convolution kernel，有特定数值的矩阵
中间滤波器filter与数据窗口做内积，其具体计算过程则是：40 + 00 + 00 + 00 + 01 + 01 + 00 + 01 + -4*2 = -8
不同卷积核的作用？
不同的滤波器filter会得到不同的输出数据，比如颜色深浅、轮廓。 相当于如果想提取图像的不同特征，则用不同的滤波器filter，提取想要的关于图像的特定信息：颜色深浅或轮廓。
Original: https://blog.csdn.net/weixin_45662399/article/details/124009540
Author: 好喜欢吃红柚子
Title: 卷积神经网络（CNN）入门常见问题解答
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/691769/
转载文章受原作者版权保护。转载请注明原作者出处！