卷積神經(jīng)網(wǎng)絡(luò)

下面是LeNet，最早的卷積神經(jīng)網(wǎng)絡(luò)之一

卷積神經(jīng)網(wǎng)絡(luò)其實和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一脈相承寫出卷積的運算步驟，只是多了很多元素，比如激勵層（非線性）、卷積層（細化特征）等。卷積神經(jīng)網(wǎng)絡(luò)計算過程的動畫如下

卷積

原則

卷積有兩部分，一是圖像，二是卷積核。 卷積核對圖像進行平移卷積計算并輸出新圖像的過程就是卷積。 我們看一下接下來的卷積過程的動畫。

其實圖像的卷積和信號系統(tǒng)的卷積類似。我們知道，在信號系統(tǒng)中，卷積的定義如下

卷積的過程就是將其中一個函數(shù)翻轉(zhuǎn)，然后平移乘以計算每個點的卷積值。 那么圖像上的卷積核就是g(x,y)寫出卷積的運算步驟，圖像上就是f(x,y)。 理論上，卷積核g(x,y)需要進行上、下、左、右翻轉(zhuǎn)，但在實際操作中為什么不做翻轉(zhuǎn)動作呢？ 這是因為當我們做卷積神經(jīng)網(wǎng)絡(luò)時，初始的卷積核是一個隨機值，而卷積核的值是由整個系統(tǒng)的過程生成的。 由于初始值是隨機的，所以是否翻轉(zhuǎn)沒有意義。 最終整個系統(tǒng)損失函數(shù)值最小時得到的卷積核本質(zhì)上就是翻轉(zhuǎn)后的值。 實際上，卷積核可以被視為圖像濾波器。

卷積過程動畫

卷積神經(jīng)網(wǎng)絡(luò)的卷積具體計算是對卷積核與圖像值進行點積運算，得到對應(yīng)的像素值。 與卷積相關(guān)的參數(shù)包括，，卷積核大小，各種情況下的卷積過程如下動畫所示。

輸出圖像尺寸計算

卷積常常通過減小圖像的尺寸、降低維數(shù)來收集特征。 這是一種下采樣。 輸出圖像尺寸與這些參數(shù)的關(guān)系如下：

N = (W ? F + 2P )/S+1

在實踐中，深度學(xué)習(xí)平臺通常會自動計算它。 例如，它提供兩種模式：有效模式和相同模式。 在有效模式 = 0 時，某些像素可能不參與卷積。 相同模式下，所有像素都可以通過在其周圍添加0來參與卷積。 平臺會自動計算價值。 這兩種模式對應(yīng)的輸出圖像尺寸如下：

輸出圖像的通道數(shù)

輸出圖像的通道數(shù)等于卷積核的輸出通道數(shù)。

池化

池化也是一種下采樣技術(shù)

反卷積

反卷積是一種用于降維的上采樣技術(shù)。 例如，在裁剪圖像時，需要恢復(fù)原始圖像大小Mask。反卷積的計算過程與卷積類似，只不過是將原始圖像通過零填充進行擴展，然后再次進行卷積。 最終的結(jié)果是輸出圖像變大。 執(zhí)行動畫如下

metal卷積碼實現(xiàn)分析

形狀

下面的代碼會涉及到Shape。 我們這里用一段代碼來同步形狀的概念。

x = np.array([[1,2,5],[2,3,5],[3,4,5],[2,3,6]])#輸出數(shù)組的行數(shù)和列數(shù)數(shù)組 print x .shape #結(jié)果: (4, 3)

metal 中的圖像數(shù)據(jù)存儲結(jié)構(gòu)

代碼實現(xiàn)分析

我們來看看如何通過metal實現(xiàn)3x3卷積

186信息網(wǎng)原創(chuàng)文章，轉(zhuǎn)載請注明本文來自：www.xt88.cn