了解卷积神经网络

卷积神经网络(ConvNets)是深度学习中广泛使用的工具。它们特别适用于图像作为输入，尽管它们也用于其他应用，如文本、信号和其他连续响应。它们与其他类型的神经网络在几个方面有所不同:

卷积神经网络的灵感来自视觉皮层的生物结构，其中包含简单和复杂细胞的排列[1]．这些细胞根据视野的子区域被激活。这些子区域被称为接受野。受本研究结果的启发，卷积层中的神经元连接到该层之前的层的子区域，而不是像其他类型的神经网络中那样完全连接。神经元对图像中这些子区域之外的区域没有反应。

这些子区域可能会重叠，因此ConvNet的神经元产生空间相关的结果，而在其他类型的神经网络中，神经元不共享任何连接并产生独立的结果。

此外，在具有完全连接的神经元的神经网络中，参数(权重)的数量可以随着输入大小的增加而迅速增加。卷积神经网络通过减少连接数、共享权重和下采样来减少参数的数量。

ConvNet由多层组成，如卷积层、最大池化层或平均池化层以及全连接层。

卷积神经网络每一层的神经元以3-D方式排列，将3-D输入转换为3-D输出。例如，对于图像输入，第一层(输入层)保存图像作为3-D输入，尺寸为图像的高度、宽度和颜色通道。第一卷积层中的神经元连接到这些图像的区域，并将它们转换为3-D输出。每一层的隐藏单元(神经元)学习原始输入的非线性组合，这被称为特征提取[2]．这些习得的特征，也称为激活，来自一层成为下一层的输入。最后，学习到的特征成为分类器或网络末端的回归函数的输入。

ConvNet的体系结构可以根据所包含的层的类型和数量而变化。所包含的层的类型和数量取决于特定的应用程序或数据。例如，如果你有分类响应，你必须有一个分类函数和一个分类层，而如果你的响应是连续的，你必须在网络的末端有一个回归层。只有一到两个卷积层的较小网络可能足以学习少量灰度图像数据。另一方面，对于拥有数百万彩色图像的更复杂的数据，您可能需要一个具有多个卷积和完全连接层的更复杂的网络。

你可以在MATLAB中连接卷积神经网络的层^®以以下方式:

layers = [imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2，'Stride'，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];

定义网络的层之后，必须使用trainingOptions函数。例如,

options = trainingOptions('sgdm');

然后，您可以用您的训练数据训练网络使用trainNetwork函数。数据、层和训练选项成为训练函数的输入。例如,

convnet = trainNetwork(数据，层，选项);

有关ConvNet层的详细讨论，请参见指定卷积神经网络的层数．要设置训练参数，请参见参数设置与卷积神经网络训练．

另请参阅

trainNetwork|trainingOptions

相关的话题

• MATLAB深度学习
• 指定卷积神经网络的层数
• 参数设置与卷积神经网络训练
• 开始迁移学习
• 创建简单的深度学习网络分类
• 预训练的深度神经网络