快速学会一个算法，CNN

CNN 的基本构成

卷积神经网络主要由以下层组成。

卷积层

卷积层是 CNN 的核心组件，用于提取输入数据的特征。

1. 卷积核，一个小的矩阵，通常为 3x3、5x5 等，它在图像上滑动，对应位置的像素进行逐元素相乘并求和。
2. 步幅（stride），卷积核在输入图像上滑动的步长，步幅越大，输出的特征图尺寸越小。
3. 填充（padding），为保持卷积后特征图的尺寸，可以在输入图像边缘添加额外的像素。

池化层（Pooling Layer）

• 最大池化，从特征图的每个窗口取最大值

• 平均池化，从特征图的每个窗口取平均值

全连接层（Fully Connected Layer）

这些层将扁平化的特征图作为输入。

下面，我们通过一个具体的案例来进行说明，假设我们创建一个卷积神经网络模型，该模型用于确定图像是否代表 X。

过滤器/卷积核

然后我们可以通过确认图像中存在这个图案来确定图像是一个“X”。

这种模式在这里被称为过滤器。过滤器捕捉 X 的一个关键特征。

过滤器通常是小的方阵，最常见的是 3x3 像素，但大小可以有所不同。

要将过滤器应用于图像以进行模式检测，我们将 3x3 过滤器滑过每个部分，并计算过滤器与其覆盖的部分的点积。

如果输入大于 0，则函数按原样输出该值；如果输入小于或等于 0，则输出 0。

因此，通过将特征图传递给 ReLU 函数，我们得到以下更新的特征图。

然后将过滤器与图像进行卷积。

池化

全连接层

将这些值输入全连接层的第一步是展平特征图矩阵。

我们不能按原样输入特征图。因此，我们将其展平。

例如，如果我们有四个过滤器，它们将产生四个特征图。

然后，这些特征图又会从最大池化步骤产生四个 2x2 矩阵。