卷積神經網(wǎng)絡課件

ConvolutionalNeuralNetworks

卷積神經網(wǎng)絡1ppt課件.Contents機器學習，神經網(wǎng)絡，深度學習之間的關系什么是神經網(wǎng)絡梯度下降算法反向傳播算法神經網(wǎng)絡的訓練什么是卷積什么是池化LeNet-5其它的工作2ppt課件.ConvolutionalNeuralNetworks機器學習，神經網(wǎng)絡，深度學習之間的關系3ppt課件.ConvolutionalNeuralNetworks人工神經網(wǎng)絡（Artificialneuralnetwork,ANN），簡稱神經網(wǎng)絡（NN）神經網(wǎng)絡其實就是按照一定規(guī)則連接起來的多個神經元神經元： ,每個連接都有一個權值

什么是神經網(wǎng)絡？圖1.一個全連接的神經網(wǎng)絡

4ppt課件.ConvolutionalNeuralNetworks梯度下降算法梯度下降算法是用來求函數(shù)最小值的算法每次沿著梯度的反方向，即函數(shù)值下降最快的方向，去修改值，就能走到函數(shù)的最小值附近（之所以是最小值附近而不是最小值那個點，是因為我們每次移動的步長不會那么恰到好處，有可能最后一次迭代走遠了越過了最小值那個點）5ppt課件.ConvolutionalNeuralNetworks反向傳播算法（Back

Propagation）反向傳播算法是計算多層復合函數(shù)的所有變量的偏導數(shù)的利器，上面梯度下降的例子中就是求梯度，簡單的理解就是鏈式法則根據(jù)鏈式法則，我們求e對a的偏導和e對d的偏導是如下所示:可以看出，它們都求了e對c的偏導。對于權值動則數(shù)萬的深度模型中的神經網(wǎng)絡，這樣的冗余所導致的計算量是相當大的BP算法則機智地避開了這種冗余，BP算法是反向(自上往下)來求偏導的。

6ppt課件.ConvolutionalNeuralNetworks梯度下降算法+反向傳播算法

7ppt課件.ConvolutionalNeuralNetworks

8ppt課件.ConvolutionalNeuralNetworks

9ppt課件.ConvolutionalNeuralNetworks

10ppt課件.ConvolutionalNeuralNetworks什么是卷積？右圖展示了卷積的過程，和信號處理的卷積有所區(qū)別卷積降低了網(wǎng)絡模型的復雜度（對于很難學習的深層結構來說，這是非常重要的），減少了權值的數(shù)量黃色部分是卷積核11ppt課件.ConvolutionalNeuralNetworks什么是池化？池化層主要的作用是下采樣，通過去掉FeatureMap中不重要的樣本，進一步減少參數(shù)數(shù)量。池化的方法很多，最常用的是MaxPooling。MaxPooling實際上就是在n*n的樣本中取最大值，作為采樣后的樣本值。右圖是2*2max12ppt課件.ConvolutionalNeuralNetworksLeNet-5

13ppt課件.LeNet-51.輸入圖像是32x32的大小，卷積核的大小是5x5的，由于不考慮對圖像的邊界進行拓展，則卷積核將有28x28個不同的位置，也就是C1層的大小是28x28。這里設定有6個不同的C1層，每一個C1層內的權值是相同的。2.S2層是一個下采樣層，即池化層。在斯坦福關于深度學習的教程中，這個過程叫做Pool。但在LeNet-5系統(tǒng)，下采樣層比較復雜，由4個點下采樣的加權平均為1個點，，因為這4個加權系數(shù)也需要學習得到，這顯然增加了模型的復雜度。14ppt課件.LeNet-53.

根據(jù)對前面C1層同樣的理解，我們很容易得到C3層的大小為10x10.

只不過，C3層的變成了16個10x10網(wǎng)絡，有16個卷積核。

如果S2層只有1個平面，那么由S2層得到C3就和由輸入層得到C1層是完全一樣的。但是，S2層由多層，那么，只需要按照一定的順利組合這些層就可以了。具體的組合規(guī)則，在

LeNet-5系統(tǒng)中給出了下面的表格：簡單的說，例如對于C3層第0張?zhí)卣鲌D，其每一個節(jié)點與S2層的第0張?zhí)卣鲌D，第1張?zhí)卣鲌D，第2張?zhí)卣鲌D，總共3個5x5個節(jié)點相連接。后面依次類推，C3層每一張?zhí)卣饔成鋱D的權值是相同的C3層featuremapS2層featuremap15ppt課件.LeNet-5S4層是在C3層基礎上下采樣，前面已述。C5層是一個卷積層，有120個特征圖。每個單元與S4層的全部16個單元的5*5鄰域相連，故C5特征圖的大小為1*1：這構成了S4和C5之間的全連接。之所以仍將C5標示為卷積層而非全連接層，是因為如果LeNet-5的輸入變大，而其他的保持不變，那么此時特征圖的維數(shù)就會比1*1大。C5層有48120個可訓練連接。F6層有84個單元（之所以選這個數(shù)字的原因來自于輸出層的設計），與C5層全相連。有10164個可訓練參數(shù)。如同經典神經網(wǎng)絡，F(xiàn)6層計算輸入向量和權重向量之間的點積，再加上一個偏置。然后將其傳遞給sigmoid函數(shù)產生節(jié)點的輸出。16ppt課件.LetNet-5

比特面編碼：將一個灰度圖像為8bit/像素中每個像素的第j個比特抽取出來，就得到一個稱為比特平面的二值圖像，于是圖像完全可以用一組共8個比特平面來表示，對灰度圖像的編碼轉為對比特平面的二值化方塊編碼。為此，將每個比特面分為不重疊的m×n個元素的子塊。17ppt課件.卷積層的訓練 layerl-1 layerlL-1層的誤差L-1層的輸出L層的誤差L層的輸入？18ppt課件.卷積層的誤差傳播

19ppt課件.卷積層的誤差傳播

20ppt課件.卷積層的誤差傳播

卷積操作21ppt課件.卷積層filter權重梯度的計算

22ppt課件.卷積層filter權重梯度的計算與誤差傳播類似，相當于l層

的誤差項（sensitivitymap）與l-1層的輸出項做卷積操作，得到卷積核（filter）的梯度

23ppt課件.池化層的誤差傳遞大部分