拆解一个重要的建模策略
卷积神经网络在计算机视觉、信号处理以及许多其他机器学习任务中是非常常见的。它们相当直接,因此很多人在不真正理解它们的情况下认为它们理所当然。在这篇文章中,我们将从直观和详尽的角度讨论卷积网络的理论,并探索它们在几个用例中的应用。
谁会从中受益?对计算机视觉、信号分析或机器学习感兴趣的任何人。
这篇文章有多高级?这是一个非常强大但非常简单的概念,非常适合初学者。对于经验丰富的数据科学家来说,这也可能是一个很好的复习,特别是在考虑不同尺寸的卷积方面。
先决条件:有对反向传播和全连接神经网络有一般了解可能会有帮助,但不是必需的。我在这篇文章中涵盖了这两个内容:
梯度是什么,为什么会“爆炸”?
通过阅读这篇文章,您将对深度学习中最重要的概念有坚实的理解
towardsdatascience.com
卷积网络存在的原因
许多新手数据科学家首先研究的主题是全连接神经网络。这是经典的由节点和边组成的神经网络,其具有一定的可学习参数。这些参数使得模型能够学习所训练主题的微妙关系。
随着网络中神经元数量的增加,层之间的连接变得越来越丰富。这可以实现复杂的推理,这是很好的,但当处理图像时,全连接网络的“密集”性会带来问题。
假设我们想要训练一个全连接神经网络来预测一张图片是否包含狗。我们可以创建一个全连接网络,它会检查图像的每个像素…