卷积神经网络模型

比较新的模型，2011年提出

「卷积」是一个函数在另一个函数的加权叠加。在视频中的矩阵形式中，「卷积」即是 Kernel 矩阵在原始矩阵的加权叠加。

卷积是信号处理里面常用的方法。 卷积后生成的元素的个数是： 原始元素个数 - 窗口大小(Kernel) + 1

卷积的平滑效果，滑动平均可以用卷积来实现。一维数组卷积可以理解为：根据左右两边的数据进行平均

卷积及其在图像上的应用

二维图像的卷积，可以模糊图像，可以找出边缘

• 卷积的Kernel是“学习”出来的，比如图像模糊、提取边缘。类似于特征提取，但是卷积的Kernel不是预先定义的，而是学习出来的。

• 很多Kernel和Pooling的连续组合

• 卷积在图像上的好处：

  • 参数个数少
  • 平移不变性(translation invariant),kernel参数是一样的，不论移动到什么位置，都是用同样的方法在各个位置中抓取

卷积在自然语言处理上的应用

• 卷积在自然语言处理上的好处
  • 不再局限于一个窗口，而能综合考虑整个句子
  • 相比于求平均的方法，更加精细
  • 平移不变性

Pooling

max_pool

Change log

• 2017.11.29 创建
• 2017.12.01 增加内容