卷积神经网络难点梳理

关注

VIP免费原创最新推荐文章于 2026-07-26 10:59:58 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

卷积神经网络存在的问题,卷积神经网络参数优化在常见的卷积神经网络的最后往往会出现一两层全连接层，全连接一般会把卷积输出的二维特征图（featuremap）转化成（N*1）一维的一个向量全连接的目的是什么呢？因为传统的端到到的卷积神经网络的输出都是分类（一般都是一个概率值），也就是几个类别的概率甚至就是一个数--类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。... 阅读详情

1 基本概念及原理

1.1 基本概念

概念名称	目的	操作
卷积(Convolution)	提取特征	将图像矩阵遍历乘以卷积核矩阵并输出
池化(Pooling)	降低数据量	对小块矩阵中的所有数取平均（平均池化）或者取最大（最大池化）并只输出一个值，再遍历
激活(Activation)	对卷积层的输出结果进行非线性映射	将中间结果套用某一个函数再输出，以使卷积后的线性映射转换成非线性映射

1.2 基本原理

假设输入的图片为 $x$ ，输出的分类或识别结果为 $y$ ，那么整个卷积神经网络都是 $y = f (x)$ 的 $f (.)$ 。
不准确的说，可以粗略的以为有 $\textbf{y}=f(\textbf{x})=\textbf{Wx}$ ，其中 $\textbf{W}$ 表示权重矩阵。而神经网络无法直接解析出需要的映射，只能通过输入与输出的对应关系一点点调整权重矩阵，也就是所谓的“训练”过程。而用新的输入带入映射中检验是否与正确的输出对应，也就是“测试”过程。
将输入的图片视作矩阵，通过一层层地卷积、池化、激活等操作将初始矩阵提取特征、缩减数据量、转换成非线性映射，再循环，直到得到最终的向量。该向量唯一对应一个输出结果，若结果与正确输出不对应，则根据过程中间的权重矩阵一点点倒推回输入（反向传播），通过梯度下降法调整权重矩阵，继续验证。再循环，输入其他图片与结果，直到权重矩阵调整完毕。