底层复杂输入过渡到高层简单输出的非线性映射过程。过程中,通过结合已知标签类,对数据开展学习与监督性训练,旨在获得对位置标签类的计算表达式。这是一种有监督性的训练模式,目的是使模型具备自我学习能力,进而利用模型在未知标签样本中自主识别并提取样本。该网络的训练阶段也可以看作是一种对样本的学习过程,通过研究剖析已知类样本,对分析样本判定识别分类并进行储存。标签表示采取向量形式,可分为一维或多维,通过设定或运行系统中采集。Р 4.2.1神经元和稀疏连接Р N设计中的基础运算单元。神经元之间采用的连接方式为非全连接,通过非全连接可以降低模型复杂度。利用这种非全连接方式,引入感受域来获取图像局部特征。采用传播算法,便可以得到非线性卷积核以及更大覆盖的感受域。Р 4.2.2权值共享Р 权值共享是在卷积操作时,通过规定卷积层中每一个卷积核步长,使其重复作用于输入图像的神经元感受域,与其贡献相同连接权重。采用这种共享方式,可以减少权重数量,N模型训练。Р 4.2.3卷积Р 卷积运算是一种对图片进行学习分析从而提取图片特征的运算过程。通过卷积运算,卷积核与特征实现一一对应。在满足一定量的卷积核的大前提下,可以通过计算成功获取图片的全部特征。在理论上,卷积层是由滤波过程得到的特征图组成,图片的特征信息是通过滤波器对图片滤波的加工提取结果。滤波器每次移动一个步长,卷积核在经此过程后得到的特征图也会随着滤波器的移动而发生改变。Р 4.2.4池化Р 池化分为最大池化与平均池化2种方式。2种操作的过程机理并不相同,但是结果却是相同的,都是为了降维并保持旋转、伸缩、平移等不变性。下一层池化层是对上一层池化层得到的特征图做降维处理,在不重叠的邻域之间取平均值,也可将获取的最大值取代此位置原本的像素值。特征图的个数并不会受到池化层运算的干扰,却会使特征图大小发生改变。维数的降低可以使过拟合现象产生的几率下降。
全文预览
