对于图像检测、分类和识别等计算机视觉任务卷积神经网络表现优异。

卷积神经网络是由用于特征提取的卷积层和用于特征处理的池化层交叠组成的多层神经网络

卷積操作的过程是将卷积核沿着输入图像（或特征图像）的水平方向和垂直方向以一定的步长（stride）进行滑动，每移动一个步长卷积核便会與输入图像（或特征图像）对应范围内的所有像素进行卷积运算，运算结果被放置在与卷积核中央位置相对应的输出特征图像上随着滑動的结束，可以得到一张新的二维特征图像

每一个卷积核会提取输入图像的不同特征；
卷积层中关注更多的是位置相邻的像素；

卷积运算是一种线性运算，它将卷积核与输入图像对应位置的像素相乘相加所以卷积操作只能表达和模拟线性映射关系。

只具有线性关系的卷積层的建模能力是远远无法满足需求因而需要引入非线性函数来增强网络的性能。通常非线性函数运算是紧跟在卷积运算之后的在深喥学习中，这些非线性函数被称为激活函数它们保证了卷积神经网络的非线性映射能力，是卷积层的重要组成部分

ReLU函数的公式为：

池囮层通过对特征图像相邻位置的特征进行聚合，以降低特征图像尺寸从而减少训练参数量和加快训练速度。

池化操作是在特征图像的每┅个通道上独自完成因而它不会改变特征图像的维度。

池化过程是将一个池化核沿着特征图像的水平方向或垂直方向以一定的步长滑动（通常池化核的步长等于池化核的宽度）每移动一个步长，在特征图像上与池化核相对应的位置进行池化运算即选择一个在统计上具囿某种代表性的特征来代替特征图像在该范围内的输出。常用的池化层形式有：最大池化、平均池化和加权平均池化等
不管釆用何种池囮形式，当对输入图像作出少量平移时池化层能够使经过池化操作后的特征图像大部分不发生改变。在图像分类任务中一般只关心某個特征是否出现而不关心它出现的具体位置，所以希望获取的图像特征具有平移不变性而池化层的正好满足这样的需求。

卷积神经网络嘚训练过程主要是由前向传播和反向传播构成

前向传播过程是让输入数据在网络中由前往后流动直至获取网络输出值。

反向传播的基本目的是利用损失函数对卷积神经网络的权重进行更新以使网络的预测值越来越接近真实值，反向传播的基本原则是复合函数的链式求导法则

用于解决图像分类问题的卷积神经网络的输出层神经元个数往往与类别数量相同。但其输出值的范围不确定难以直观上判断这些徝的意义，并且分类问题的数据真实标签是离散值因此也无法衡量这些离散标签值与输出值之间的误差。

softmax回归层可以将输出值映射到（０１）区间内，使得网络输出转化为关于类别的概率分布这对于训练过程与真实标记计算误差是非常有利的，并且可以直观的通过概率值的大小判断图像所属类别假设卷积神经网络输出值为［y1, y2, y3,…, yi…, yn］，经过softmax回归处理后输出为：

在深度学习中一般有两种类型的参数：１）网络模型参数，它在训练数据集中学习得到的不需要模型设计者手动设置，通常作为网络的一部分而保存在程序中例如卷积神经網络中的权重；２）超参数，它通常是由设计者直接指定并且在不同的问题中会对其作相应的调整，常见超参数有：学习速率（learning rate）、卷積核尺寸、训练周期数（epoch）、动量、权重衰减系数、隐层数量

学习速率作为超参数中最重要的一个，它能够控制训练过程中网络权重更噺时变化的大小当学习速率过大时，网络权重可能会不经意间“越过了”最优值从而导致误差增加；当学习速率太小时，训练过程不僅缓慢而且可能会使网络停留在一个较高的训练误差上。通常情况下当对网络的训练达到一定程度后会将学习速率降低。

1、基于深度學习的铝型材表面瑕疵识别技术研究_魏若峰

发布了4 篇原创文章 · 获赞 2 · 访问量 968