用文氏图来理解卷积神经网络如何决定提取哪些特征

在机器学习中，卷积神经网络(CNN)经常使用在图像分类的特征提取上，

那么CNN是如何决定提取哪些特征的呢，这里我想用文氏图(Venn)来理解一下。

文氏图(Venn diagram)也叫韦恩图，是用来表示集合的一种草图。

CNN提取特征（训练）和匹配特征（识别）的实际过程就是拿权值参数不同的fliters与输入的区域块相点乘。

现在有一个带标签的图片训练集，其中包含有Object1、Object2和Object3，

那么Object1、Object2和Object3的特征F ={A,B,C,D,E,F,G}，便可形成一个文氏图：

CNN在训练过程中，对于Object1来说，一开始提取A-G特征的filters的权值参数一样，所以经过CNN后得出的结果也一样。

但是在计算loss来进行optimize时，会发现提高对提取特征A的filters的权值参数比提高对提取特征B-G的filters的权值参数更能最小化loss。

那么CNN在经过训练后，提取特征A、B、C的filters的权值参数将会最大，提取特征D、E、F的filters的权值参数将会较小，而提取特征G的filters的权值参数将会很小。

这些表述听起来很饶舌，也可能有不准确的地方，之后会继续完善。

用文氏图来理解卷积神经网络如何决定提取哪些特征相关推荐

CNN笔记：通俗理解卷积神经网络
通俗理解卷积神经网络(cs231n与5月dl班课程笔记) http://blog.csdn.net/v_july_v/article/details/51812459 1 前言 2012年我在北京组织 ...
【深度学习】深入理解卷积神经网络(CNN)
CNN Author:louwill From:深度学习笔记本文将为大家介绍一种用途更为广泛.性能更加优越的神经网络结构--卷积神经网络(Convolutional Neural Network, ...
手把手教你理解卷积神经网络
摘要: 卷积神经网络是一种识别和理解图像的神经网络.本文将从不同的层次来介绍卷积神经网络. 手把手教你理解卷积神经网络(一) 本文将继续为你介绍关于卷积神经网络的知识.为了保持文章的简洁性和全面性我将 ...
理解卷积神经网络的利器：9篇重要的深度学习论文（下）
摘要: 为了更好地帮助你理解卷积神经网络,在这里,我总结了计算机视觉和卷积神经网络领域内许多新的重要进步及有关论文. 手把手教你理解卷积神经网络(一) 手把手教你理解卷积神经网络(二) 继" ...
理解卷积神经网络的利器：9篇重要的深度学习论文（上）
摘要: 为了更好地帮助你理解卷积神经网络,在这里,我总结了计算机视觉和卷积神经网络领域内许多新的重要进步及有关论文. 手把手教你理解卷积神经网络(一) 手把手教你理解卷积神经网络(二) 本文将介绍过去 ...
【TensorFlow】TensorFlow从浅入深系列之十二 -- 教你深入理解卷积神经网络中的池化层
本文是<TensorFlow从浅入深>系列之第12篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
【TensorFlow】TensorFlow从浅入深系列之十一 -- 教你深入理解卷积神经网络中的卷积层
本文是<TensorFlow从浅入深>系列之第11篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
如何理解卷积神经网络中的通道（channel）
在卷积神经网络中我们通常需要输入 in_channels 和 out_channels ,即输入通道数和输出通道数,它们代表什么意思呢?本文将给出一个形象的理解. 对于通道的理解可以参考下面的这篇文章 ...
深入理解卷积神经网络（附代码，底层实现）
目录从全连接层到卷积卷积运算实现一个简单的卷积层特征映射和感受野填充与步幅理解边界效应与填充理解卷积步幅多输入多输出通道多输入通道多输出通道 1 × 1 卷积层池化(汇聚层) 最 ...
神经网络通俗理解和理解,卷积神经网络通俗理解
通俗易懂:彻底明白什么是神经网络想象一个黑箱子,你给它输入(样本),它给你输出(实际输出),但是输出和你想要的结果有偏差,于是你事先告诉它你想要的结果(期望输出),它做一些调整(调整内部权值和阈值) ...

用文氏图来理解卷积神经网络如何决定提取哪些特征

用文氏图来理解卷积神经网络如何决定提取哪些特征相关推荐

最新文章

热门文章