了解卷积神经网络

卷积神经网络(回旋网)是广泛使用的深度学习的工具。他们是专门适用于图像作为输入,尽管他们也用于其他应用程序如文本、信号和其他连续反应。他们不同于其他类型的神经网络在几个方面:

卷积神经网络是生物结构的视觉皮层的启发,它包含简单和复杂细胞的安排[1]。这些细胞被发现激活基于视野的条件。这些条件被称为接受字段。灵感来自本研究的发现,卷积层中的神经元连接层的条件之前,这一层,而不是全在其他类型的神经网络。神经元是对这些条件以外的地区形象。

这些条件可能会重叠,因此事先的神经元产生spatially-correlated结果,而在其他类型的神经网络中,神经元不共享任何连接和产生独立的结果。

此外,与全神经元,神经网络参数的数量(重量)可以增加快速输入的大小增加。卷积神经网络减少了参数的数量,减少了连接数,共享的权重,并将采样。

事先由多层组成,如卷积层,max-pooling或average-pooling层,全层。

每一层的神经元事先被安排在一个三维的方式改变一个3 d的输入输出。例如,对于一个图像输入,第一层(输入层)的图像作为三维输入,维度是高度,宽度,和图片的颜色通道。第一次卷积层中的神经元连接到这些图像的区域,将它们转化为3 d输出。隐藏在每一层的单元(神经元)学习原始输入的非线性组合,被称为特征提取[2]。这些学习功能,也称为激活,从一层成为下一层的输入。最后,学习特性成为输入分类器或回归函数结束时网络。

事先的体系结构可以随类型和数量的层包括在内。层包含的类型和数量取决于特定的应用程序或数据。例如,如果您有明确的回答,你必须有一个分类函数和一个分类层,而如果你的反应是连续的,你必须有一个回归层的网络。一个更小的网络只有一个或两个卷积层足以了解一小部分灰度图像数据。另一方面,对于更复杂的数据与数以百万计的彩色图像,您可能需要一个更复杂的网络与多个卷积和完全连接层。

你可以连接层的MATLAB的卷积神经网络^®在以下方式:

层= [imageInputLayer ([28 28 1]) convolution2dLayer (5、20) reluLayer maxPooling2dLayer(2“大步”2)fullyConnectedLayer (10) softmaxLayer classificationLayer);

定义您的网络层后,必须使用指定的培训选项trainingOptions函数。例如,

选择= trainingOptions(个);

然后,你可以与你的训练数据训练网络使用trainNetwork函数。数据层,和培训成为训练函数输入的选项。例如,

事先= trainNetwork(数据、层选项);

层的事先的详细讨论,明白了指定的卷积神经网络层。建立训练参数,看看设置参数和卷积神经网络训练。

另请参阅

trainNetwork|trainingOptions

相关的话题

• 深度学习在MATLAB
• 指定的卷积神经网络层
• 设置参数和卷积神经网络训练
• 学习开始转移
• 创建简单的深度学习神经网络分类
• Pretrained深层神经网络