本篇內(nèi)容主要講解“CNN中ReLU和Pooling操作是怎樣的”，感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷，實(shí)用性強(qiáng)。下面就讓小編來(lái)帶大家學(xué)習(xí)“CNN中ReLU和Pooling操作是怎樣的”吧!
按需定制開(kāi)發(fā)可以根據(jù)自己的需求進(jìn)行定制，做網(wǎng)站、網(wǎng)站制作構(gòu)思過(guò)程中功能建設(shè)理應(yīng)排到主要部位公司做網(wǎng)站、網(wǎng)站制作的運(yùn)用實(shí)際效果公司網(wǎng)站制作網(wǎng)站建立與制做的實(shí)際意義
02
—
ReLU操作
CNN用的激活函數(shù)不是Sigmoid函數(shù)，大家都知道Sigmoid函數(shù)最大的問(wèn)題是隨著深度學(xué)習(xí)會(huì)出現(xiàn)梯度消失，這樣會(huì)導(dǎo)致最后的收斂速度變得很慢，經(jīng)過(guò)實(shí)踐證明，采取另外一個(gè)函數(shù)，性能會(huì)更好些，這就是 ReLU 函數(shù)，它長(zhǎng)這樣：
可以看出在 x 大于 0 時(shí)，它是線性函數(shù)，在 x 小于 0 時(shí)，它是非線性的函數(shù)，因此ReLu綜合起來(lái)看為非線性函數(shù)。
ReLU函數(shù)對(duì)CNN的實(shí)際意義
可以看出CNN中的卷積操作是線性操作，對(duì)應(yīng)元素相乘，然后再求和，又知道在現(xiàn)實(shí)世界中，大部分的數(shù)據(jù)都是非線性的，所以有必要引入一個(gè)非線性的激活函數(shù)，下面通過(guò)ReLU操作看下對(duì)圖片的影響：
原圖像
左圖為對(duì)原圖像卷積后的圖像，右圖為ReLU后的圖像，對(duì)于單通道圖上取值范圍為0－255，其中255為白色，0是黑色，因?yàn)榫矸e后的結(jié)果有可能為負(fù)值，所以經(jīng)過(guò)ReLU后，所有的值為非負(fù)值，不再出現(xiàn)有問(wèn)題的負(fù)值。
03
—
Pooling層
Pooling層能起到降低上一層輸入的特征的維數(shù)的作用，但是同時(shí)能保持其最重要的信息，Pooling操作分多種：最大池化，平均池化，求和池化等。
以最大池化為例，池化一般在ReLU操作之后，首先定義一個(gè)相鄰區(qū)域，然后求出這個(gè)區(qū)域的最大值，再選定一個(gè)步長(zhǎng)，依次遍歷完圖像，如下圖所示：
Pooling 操作的實(shí)際意義
使得輸入的特征維數(shù)降低，更易于管理
有了第一條，也會(huì)使得權(quán)重參數(shù)個(gè)數(shù)變少，更易于收斂。
Pooling操作相當(dāng)于決策樹中的剪枝操作，能防止過(guò)擬合。
經(jīng)過(guò)池化操作后，CNN可以適應(yīng)圖片小的位移，扭曲，位移
經(jīng)過(guò)吃化操作后，CNN可以幫助我們達(dá)成在一定尺度上的不變性，這是非常重要的，因?yàn)閳D像不再受外界環(huán)境的干擾。
04
—
CNN總結(jié)
至此已經(jīng)介紹完了CNN使用的核心技術(shù)，如果將卷積操作，ReLU操作，Pooling操作結(jié)合起來(lái)，我們可以得到如下深度網(wǎng)絡(luò)，可以看出共進(jìn)行了2次卷積和池化，完成對(duì)輸入的圖像的特征提取，接下來(lái)就是全連接層，所謂的全連接層與之前說(shuō)的DNN（全連接多層神經(jīng)網(wǎng)絡(luò)）是一致的，大家可以參考之前的推送復(fù)習(xí)多層感知器。
經(jīng)過(guò)全連接層，會(huì)使用前一層提取的所有主要特征，使用一般的均值方差作為損失函數(shù)，在輸出層可以使用softmax分類器完成多分類任務(wù)?？梢钥闯鲱A(yù)測(cè)的結(jié)果為一只船，這是合理的。
下面總結(jié)下CNN的算法：
初始化所有的過(guò)濾核，超參數(shù)，權(quán)重參數(shù)等
輸入訓(xùn)練的圖像數(shù)據(jù)，經(jīng)過(guò)前向傳播，包括：卷積操作，ReLU操作，池化操作和全連接層的前向傳播，最后在輸出層得到屬于每個(gè)類的概率值。
計(jì)算在輸出層的總誤差，采用均方誤差項(xiàng)：總誤差 = ∑ ? (目標(biāo)概率 – 輸出概率) 2
用反向傳播計(jì)算誤差項(xiàng)相對(duì)于權(quán)重參數(shù)和偏置項(xiàng)的梯度，以此最小化3中的誤差和，等達(dá)到某個(gè)閾值時(shí)，停止訓(xùn)練。
對(duì)所有圖像數(shù)據(jù)重復(fù) 2-4 操作。
到此，相信大家對(duì)“CNN中ReLU和Pooling操作是怎樣的”有了更深的了解，不妨來(lái)實(shí)際操作一番吧！這里是創(chuàng)新互聯(lián)網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！
重慶分公司
重慶分公司
