卷積的層
深度學習,卷積神經網絡(CNN或事先)是一種深層神經網絡,通常用於識別模式出現在圖像但他們也用於空間數據分析、計算機視覺、自然語言處理、信號處理和各種其他目的卷積網絡的體係結構類似於人類大腦中的神經元的連接模式和靈感來源於視覺皮質的組織。這一特定類型的人工神經網絡得名於網絡中最重要的一個操作:卷積。
卷積是什麼?
卷積是一個有序的過程,兩個來源的信息相互交織;這是一個操作,更改一個函數。玲瓏已經使用了很長一段時間通常在圖像處理模糊和銳化圖像,還執行其他操作。(如增強邊緣和浮雕)cnn執行當地的相鄰層的神經元之間的連接模式。
- 卷積
- 非線性(ReLU)
- 池或子抽樣
- 分類(完全連接層)
第一層的卷積神經網絡始終是一個卷積的層。卷積層應用卷積操作輸入,將結果傳遞給下一層。卷積將其接受域的所有像素轉換成一個值。例如,如果您將應用卷積圖像,你會減少圖像大小以及將所有的信息在一起成一個像素。最後的輸出卷積層是一個矢量。類型的基礎上,我們需要解決的問題,我們正在尋找學習的特性,我們可以使用不同的旋轉。
二維卷積層
最常見的是二維卷積層使用的卷積,通常縮寫為conv2D。一個過濾器或內核conv2D層“幻燈片”2 d輸入數據,執行elementwise乘法。因此,它將總結成一個單一的輸出像素的結果。內核將執行相同的操作每一個位置的幻燈片,將一個二維矩陣的特性轉換成不同的二維矩陣的特性。
擴張或深黑色的卷積
這個操作擴展窗口大小不增加權重的數量中插入零值卷積核。擴張或深黑色的卷曲可用於實時應用程序和應用程序的處理能力是少的內存需求密集。
可分離旋轉
有兩種主要類型:通過卷積分離空間分離曲線玲瓏,切除可分離旋轉。空間分離卷積主要處理圖像的空間維度和內核:寬度和高度。相比空間分離曲線玲瓏,切除可分離旋轉處理內核,不能被分解成兩個小的內核。因此,它更常用。
轉置運算
這些類型的comvolutions也稱為反褶積或略微向旋轉。一層轉置卷積進行常規的卷積但恢複其空間變換。