深度学习史上最详细的卷积循环神经网络ppt

卷积神经网络讲解人：导师：深度学习二内容•卷积神经网络（CNN）介绍•LeNet5模型的介绍•分析LeNet5模型相关代码•LeNet5模型的训练代码•实验结果卷积神经网络的层级结构•数据输入层/Inputlayer•卷积计算层/CONVlayer•ReLU激励层/ReLUlayer•池化层/Poolinglayer•全连接层/FClayer数据输入层该层要做的处理主要是对原始图像数据进行预处理，其中包括：•去均值：把输入数据各个维度都中心化为0•归一化：幅度归一化到同样的范围•PCA/白化：用PCA降维；白化是对数据各个特征轴上的幅度归一化卷积神经网络（CNN)介绍卷积神经网络（CNN)介绍去均值与归一化效果图：去相关与白化效果图：卷积神经网络（CNN)介绍卷积计算层这一层就是卷积神经网络最重要的一个层次，也是“卷积神经网络”的名字来源。在这个卷积层，有两个关键操作：•局部关联。每个神经元看做一个滤波器(filter)•窗口(receptivefield)滑动，filter对局部数据计算卷积神经网络（CNN)介绍卷积计算层这个带有连接强弱的红色方框就叫做filter或kernel或featuredetector。而filter的范围叫做filtersize，这里所展示的是2x2的filtersize。卷积神经网络（CNN)介绍卷积计算层卷积神经网络（CNN)介绍卷积计算层卷积层的计算过程卷积运算的特点：通过卷积运算，可以使原信号特征增强，并且降低噪音卷积层的计算过程同一个图片，经过两个（红色、绿色）不同的filters扫描过后可得到不同特点的FeatureMaps。每增加一个filter，就意味着你想让网络多抓取一个特征。卷积神经网络（CNN)介绍激励层把卷积层输出结果做非线性映射CNN采用的激励函数一般为ReLU(TheRectifiedLinearUnit/修正线性单元)，它的特点是收敛快，求梯度简单卷积神经网络（CNN)介绍激励层和前馈神经网络一样，经过线性组合和偏移后，会加入非线性增强模型的拟合能力。将卷积所得的FeatureMap经过ReLU变换（elementwise）后所得到的output就如下图所展示卷积神经网络（CNN)介绍池化层池化层夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合。简而言之，如果输入是图像的话，那么池化层的作用就是压缩图像。池化层用的方法有Maxpooling和averagepooling，而实际用的较多的是Maxpooling对于每个2*2的窗口选出最大的数作为输出矩阵的相应元素的值，比如输入矩阵第一个2*2窗口中最大的数是6，那么输出矩阵的第一个元素就是6，如此类推。卷积神经网络（CNN)介绍池化过程卷积神经网络（CNN)介绍池化过程卷积神经网络（CNN)介绍全连接层两层之间所有神经元都有权重连接，通常全连接层在卷积神经网络尾部。也就是跟传统的神经网络神经元的连接方式是一样的：当抓取到足以用来识别图片的特征后，接下来的就是如何进行分类。全连接层（也叫前馈层）就可以用来将最后的输出映射到线性可分的空间。通常卷积网络的最后会将末端得到的长方体平摊(flatten)成一个长长的向量，并送入全连接层配合输出层进行分类。卷积神经网络（CNN)介绍End