溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
本篇內(nèi)容主要講解“CNN中ReLU和Pooling操作是怎樣的”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學(xué)習“CNN中ReLU和Pooling操作是怎樣的”吧!
02
—
ReLU操作
CNN用的激活函數(shù)不是Sigmoid函數(shù)，大家都知道Sigmoid函數(shù)最大的問題是隨著深度學(xué)習會出現(xiàn)梯度消失，這樣會導(dǎo)致最后的收斂速度變得很慢，經(jīng)過實踐證明，采取另外一個函數(shù)，性能會更好些，這就是 ReLU 函數(shù)，它長這樣：
可以看出在 x 大于 0 時，它是線性函數(shù)，在 x 小于 0 時，它是非線性的函數(shù)，因此ReLu綜合起來看為非線性函數(shù)。
ReLU函數(shù)對CNN的實際意義
可以看出CNN中的卷積操作是線性操作，對應(yīng)元素相乘，然后再求和，又知道在現(xiàn)實世界中，大部分的數(shù)據(jù)都是非線性的，所以有必要引入一個非線性的激活函數(shù)，下面通過ReLU操作看下對圖片的影響：
原圖像
左圖為對原圖像卷積后的圖像，右圖為ReLU后的圖像，對于單通道圖上取值范圍為0－255，其中255為白色，0是黑色，因為卷積后的結(jié)果有可能為負值，所以經(jīng)過ReLU后，所有的值為非負值，不再出現(xiàn)有問題的負值。
03
—
Pooling層
Pooling層能起到降低上一層輸入的特征的維數(shù)的作用，但是同時能保持其最重要的信息，Pooling操作分多種：最大池化，平均池化，求和池化等。
以最大池化為例，池化一般在ReLU操作之后，首先定義一個相鄰區(qū)域，然后求出這個區(qū)域的最大值，再選定一個步長，依次遍歷完圖像，如下圖所示：
Pooling 操作的實際意義
使得輸入的特征維數(shù)降低，更易于管理
有了第一條，也會使得權(quán)重參數(shù)個數(shù)變少，更易于收斂。
Pooling操作相當于決策樹中的剪枝操作，能防止過擬合。
經(jīng)過池化操作后，CNN可以適應(yīng)圖片小的位移，扭曲，位移
經(jīng)過吃化操作后，CNN可以幫助我們達成在一定尺度上的不變性，這是非常重要的，因為圖像不再受外界環(huán)境的干擾。
04
—
CNN總結(jié)
至此已經(jīng)介紹完了CNN使用的核心技術(shù)，如果將卷積操作，ReLU操作，Pooling操作結(jié)合起來，我們可以得到如下深度網(wǎng)絡(luò)，可以看出共進行了2次卷積和池化，完成對輸入的圖像的特征提取，接下來就是全連接層，所謂的全連接層與之前說的DNN（全連接多層神經(jīng)網(wǎng)絡(luò)）是一致的，大家可以參考之前的推送復(fù)習多層感知器。
經(jīng)過全連接層，會使用前一層提取的所有主要特征，使用一般的均值方差作為損失函數(shù)，在輸出層可以使用softmax分類器完成多分類任務(wù)?？梢钥闯鲱A(yù)測的結(jié)果為一只船，這是合理的。
下面總結(jié)下CNN的算法：
初始化所有的過濾核，超參數(shù)，權(quán)重參數(shù)等
輸入訓(xùn)練的圖像數(shù)據(jù)，經(jīng)過前向傳播，包括：卷積操作，ReLU操作，池化操作和全連接層的前向傳播，最后在輸出層得到屬于每個類的概率值。
計算在輸出層的總誤差，采用均方誤差項：總誤差 = ∑ ? (目標概率 – 輸出概率) 2
用反向傳播計算誤差項相對于權(quán)重參數(shù)和偏置項的梯度，以此最小化3中的誤差和，等達到某個閾值時，停止訓(xùn)練。
對所有圖像數(shù)據(jù)重復(fù) 2-4 操作。
到此，相信大家對“CNN中ReLU和Pooling操作是怎樣的”有了更深的了解，不妨來實際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進入相關(guān)頻道進行查詢，關(guān)注我們，繼續(xù)學(xué)習！
免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼
