【《卷积神经网络基本结构分析》2500字】

卷积神经网络基本结构分析卷积神经网络的结构由输入层、多个隐含层和输出层组成，其结构如图所示。卷积神经网络结构如图2.1所示。图2.1卷积神经网络结构图隐含层中还包括卷积层、激活层、池化层、全连接层[2]，一个完整的卷积神经网络由输入层，多个卷积池化层和多个全连接层组成，结构如图2.2所示。图2.2卷积神经网络详细结构图输入层:输入层可以处理多维数据。与其它的神经网络算法相似，由于使用了梯度下降算法来进行计算和学习，卷积神经网络中的输入层还需要进行标准化的处理。在数据输入网络之前，我们要对输入的图片数据进行一些预处理，如标准化、滤波去噪等，将输入数据标准化有利于提升系统的性能，可以提高训练速度和准确率。隐含层:隐含层主要由卷积式分层、池化分层和连接性分层3类常见的构筑分层组成。在常用的网络结构中，卷积层与神经池化卷积层分别为卷积层和神经网络所特有。卷积的分层过程中的卷积层是核确定包含权重值的系数，而变量池化层并没有确定包含权重值的系数，池所以一个变量化的层不被直接确定而成为独立的变量层。卷积层:卷积层是为了提取上层输入数据的特征，卷积层内部包含多个卷积单元。第一层卷积层只能提取到一些低级特性，所以常采用多层网络从低级特征中迭代提取更加复杂的特征。卷积结构参数主要包括卷积层最核心的尺寸即卷积核大小、和步长以及卷积填充，这三个参数的共同相互作用决定了每一个卷积层输出的卷积特征结构图[3]。卷积核尺寸小于输入网络图像尺寸，卷积核越大可以提取到的输入图像特征就越复杂。卷积核的步长原理确立了卷积核每个特征元素通过相邻两次逐个扫过像素特征点和图时及其所处不同位置的像素差异点和图的距离，当卷积核的步长如果设定为1时，卷叠层积核将可能会逐个逐次扫过每个像素特征点和图上的每个元素，步长如果设定为1或n时，卷叠层积核将可能会在接下来的第二次像素扫描中逐个跳过任何n-1个特征像素。通过对卷积基本核的各种自动交叉点和相关视图计算方法分析结果可知，随着卷积基本核在基层的不断堆叠，特征核视图的自动大小也可能会逐渐地自动减少或逐渐增所以我们常常需要对某个特征的构图尺寸进行过度填充化并人为合理地通过增大自己的特征尺寸范围来从而抵消矢量计算时对特征尺寸的过度收缩抑制作用。常见的二次填充操作方式可分为按0进行一次填充及重复的填充边界值之后进行再次填充。图片中经常有一种像素属性把它叫做图片局部关联像素属性，对一张图片的关键像素和节点位置影响最大的像素位置其实就是它图片周边的一个关键像素点，而且与周边距离这个关键像素的位点比较远的像素位置与其他像素点相比二者之间的局部关系差别并非很大。这个特殊点的性质也就就是意味着每一个三维神经元我们不用再需要去直接处理一个一张全局的三维图片了，每一个三维神经元只是需要和上一层完整的三维局部图片连接，相当于每一个三维神经元都可以在直接扫描一小块三维区域，然后许多三维神经元(这些三维神经元的所有权值都可以共享)直接组合在一起来就已经可以相当于我们直接扫描了一个一张全局，这样就已经可以直接构成一个提取特征点的图，n个三维神经元的三维特征这个图就可以提取了这张全局图片的其中n个三维神经特征，每个提取特征点的图都可以是由很多的三维神经元特征组合起来完成。图2.3卷积计算图片采用了矩阵型的布置，把这些按照矩阵型顺序排列的节点都展成了一个向量。就使我们能够让我们更好地看得出来卷积层和输入层之间的连接，并不是完全互相连接的，上图中的一个红色2*2方框叫做filter，可以通过改变他的大小和尺寸，这个方框通常会将一个图片的矩阵由左上角移动至右下角，每一次都会把矩阵圈起来四个，连接到下一层的一个神经元，然后产生四个权重，这四个权重(w1、w2、w3、w4)构成的矩阵就是卷积核，如图2.3所示。卷积的结果是由算法自己通过学习而计算得到的，它通常会和上一层进行综合计算，第二层的数值就是第一层经过局部运算得到的，被圈中的每个节点的数值都要乘以其所对应的权重后再进行相加。（1）池化层:整数池化层的常见操作方法主要包含最大最小值池化，均值池化，随机池化，中值池化，组合大值池化等。池化系统具有以下的主要功能:池化可以有效降低系统数据库的大量信息冗余;同时提升了该系统模型的精确性和尺度不变性、旋转精确不变性;同时防止了模拟数混合。在对卷积层中的数据库信息进行了特征提取后，输出的该层数据库信息特征结构图将被自动传送该层到数据池化层，用于对其他层进行数据特征层的选择和数据信息的特征过滤。池化层中所需要包含的一个预设的内置池化统计函数，其主要工作功能就是将一张不同特征节点图上单个特征节点的池化结果直接代替池化成为其节点所在区域之间相邻的多个特征节点图片并进行池化统计分析测得。池化层的区域选择步骤区域控制应该与卷积图和核心图扫描的基层特征结构图选择步骤相同，由于对池化层的面积大小、步长及选择填充层的方法不同来进行控制。全连接层:卷积中的神经网络结构中的连接层，这些都是基于传统的反向前馈卷积神经网络的一个连接层。特征结构图设计在全局的连接层设计中将可能会直接失去一个基于空间矢量拓扑的基本结构，被直接展开后变成一个空间矢量并且它们可以直接通过一个空间激励函数。按照目前传统的数据表征模式学习系统理论分析看来，卷积池化神经网络系统中的卷积池化层和数据池化层都已经能够针对已经输入的特征数据量结构进行特征提取，全新型连接层的提取功能则主要的就是通过对已经提取的特征数据量和新的特征提取进行非线性的处理组合以达到便于快速得到特征数据量的准确输出。当前面的卷积层被捕获到了足够多可以用于识别这张图片的特点后，接下来要研究的就是怎样对它进行归类。连接层之前处理好的数据会放到一个更长的向量上，进入全连接层然后与输出层相连，最后图像分为几类，卷积神经网络就会有几个神经元。输出层：输出层的前一层通常是全连接层，所以其结构和传统网络输出层相同。对于输出层图像分类逻辑问题，输出层分类可以自由选择直接使用图像逻辑分类函数或归一化逻辑指数，该函数