深度学习基本概念｜卷积和池化
由卷积层，池化层，全连接层等各种类型的结构构成。在图像处理等领域，与普通的深度神经网络相比，CNN拥有更好的处理效果。CNN中有两层结构是其特有的
卷积层是CNN网络中独立的一层，用来进行一种称之为卷积，即convolution的操作，该操作的示意图如下
原始图像用一个8x8的矩阵表示，对于这个矩阵，使用了一个3X3的矩阵对其进行映射运算，图中的红色光柱标记了第一个九宫格的中心点6，映射的过程其实是将6与3X3矩阵中的每个元素相乘，然后结果再相加，最后总得到的值为-3。
只需要定义移动的步长，我们就可以遍历图像中的所有点，比如定义步长为1，遍历过程如下图所示
上述过程是基于无填充的情况，在有填充的情况下，对于图像边缘的点，会用0填充，示意如下
遍历所有点从而得到一张新的图，这样的图称之为特征图，示例如下
所以卷积层是用来做特征提取的。
2. 池化层
池化是一种down-sampling技术，本质是基于滑动窗口的思想，可以去除特征图中的冗余信息，降低特征图的维度。事先定义好窗口和步长，然后对原始图像进行分割，对于分割的子窗口，采取某种策略取一个样本点出来，常用的有两种策略
1. 取最大值，对应max pooling
2. 取平均值, 对应average pooling
定义窗口大小为2X2, 步长为2，两种策略的结果如下
图像被分割成了4个子窗口，然后每个子窗口内取最大值或者平均值，就构成了一幅新图像。新图像的维度比原始图像小，达到了降维的目的。
赞 (0)