卷积神经网络(卷积神经网络模型性能评估方法)
- 2023-05-01 22:22:35
大家好，卷积神经网络相信很多的网友都不是很明白，包括卷积神经网络模型性能评估方法也是一样，不过没有关系，接下来就来为大家分享关于卷积神经网络和卷积神经网络模型性能评估方法的一些知识点，大家可以关注收藏，免得下次来找不到哦，下面我们开始吧！
本文目录
卷积神经网络输出的特征矩阵
卷积神经网络主要有以下三大特征：
1)局部连接
之前我们呢介绍的前馈神经网络相邻的两层之间，前一层的每一个神经元（或者是输入层的每一个单元）与后一层的每一个神经元都有连接，这种情况称为全连接。全连接网络的一个缺点就是参数太多。假设我们输入神经网络中的是一张三通道的彩色图片，图片大小为128×128，那么，输入层就有128×128×3=49150个单元。
使用全连接神经网络的话，输入层到第一层隐藏层的每一个神经元都有49150个连接，随着网络层数的增加和每一层中神经元数量的增加，网络中的参数也会急剧增加。大量的参数不仅会拉低神经网络训练的效率，也很容易造成过拟合。
在卷积神经网络中，层与层之间不再是全连接，而是局部连接，具体的实现方法就是卷积操作。
2)权值共享
在卷积神经网络中，每一层卷积层中都会有一个或者多个卷积核（也称为滤波器）。这些卷积核可以识别图片中某些特定的特征，每个卷积核会去滑动卷积上一层的特征图，在卷积的过程中卷积核的参数是不变且共享的。
这样在训练过程中，与之前的全连接神经网络训练大尺度输入样本时需要大量参数相比，卷积神经网络只需要少得多的参数就可以完成训练。
3)子采样
子采样层（SubsamplingLayer），也称作池化层（PoolingLayer），作用是对上一卷积层进行聚合，使得上一层卷积层的输入特征图尺寸在经过该子采样层的聚合（即池化）后减小，从而降低特征和参数的数量。子采样层所做的事，其实就是对上一层卷积层进行扫描，每次扫描特定区域，然后计算该区域特征的最大值（最大池化，MaximumPooling）或者平均值（平均池化，MeanPooling），作为该区域特征的表示。
以上三个特征使得卷积神经网络具有一定程度上的缩放、平移和旋转不变性，并且相较于全连接神经网络，其网络参数也少了很多。
卷积神经网络模型性能评估方法
比如分类问题可以使用准确率和召回率作为评价分类结果的标准，检测问题可以使用交并比和map作为其评价标准。
卷积神经网络是谁首先提出的
福岛邦彦。
2021年4月29日，福岛邦彦（KunihikoFukushima）获得2021年鲍尔科学成就奖。他为深度学习做出了杰出贡献，其最有影响力的工作当属「Neocognitron」卷积神经网络架构。
福岛邦彦(KunihikoFukushima)设计的具有学习能力的人工多层神经网络，可以模仿大脑的视觉网络，这种「洞察力」成为现代人工智能技术的基础。福岛博士的工作带来了一系列实际应用，从自动驾驶汽车到面部识别，从癌症检测到洪水预测，还会有越来越多的应用。
卷积神经网络和循环神经网络区别
简单来说，卷积神经网络和循环神经网络都是深度学习的重要框架。区别就在循环层上：卷积神经网络没有时序性的概念，输入直接和输出挂钩；循环神经网络具有时序性，当前决策跟前一次决策有关。
举个例子，进行手写数字识别的时候，我们并不在意前一个决策结果是什么，需要用卷积神经网络；而自然语言生成时，上一个词很大程度影响了下一个词，需要用循环神经网络。
如何理解卷积神经网络中的卷积和池化
1卷积和池化是卷积神经网络中的两个重要操作，用于提取图像的特征。2卷积是指在输入图像上滑动一个固定大小的卷积核，对每个位置上的像素进行加权求和，得到一个新的输出像素。卷积核的大小和步长可以自行设定，可以提取出图像的局部特征。3池化是指在输入图像上滑动一个固定大小的窗口，对窗口内的像素进行取最大值或取平均值的操作，得到一个新的输出像素。池化操作可以降低特征图的尺寸，减少计算量，同时可以保留图像的重要特征。4综上所述，卷积和池化是卷积神经网络中的重要操作，可以提取图像的局部特征和降低特征图的尺寸，是图像分类、目标检测等任务中不可或缺的部分。
OK，本文到此结束，希望对大家有所帮助。
声明:本文内容及图片来源于读者投稿，本网站无法甄别是否为投稿用户创作以及文章的准确性,本站尊重并保护知识产权，根据《信息网络传播权保护条例》，如果我们转载的作品侵犯了您的权利,请在一个月内通知我们，我们会及时删除。请将本侵权页面网址发送邮件到583666585@qq.com，我们会及时做删除处理。
