了解更多关于卷积神经网络

卷积神经网络（ConvNets）被广泛使用的工具深度学习。它们特别适合于图像作为输入，尽管它们也可用于其它应用，例如文本，信号和其它连续反应。他们从其他类型的一些方法神经网络的不同：

卷积神经网络是从视觉皮层的生物结构，它包含简单和复杂细胞的安排的启发[1]。这些细胞被发现基于视野的次区域激活。这些子区域被称为感受野。从本研究的结果的启发，在卷积层神经元层，而不是被完全连接在其他类型的神经网络之前连接到所述层的子区域。神经元是反应迟钝的图像中，这些次区域的区域之外。

这些子区域可能会重叠，一个ConvNet产生空间相关结果因此神经元，而在其他类型的神经网络，神经元不共享任何连接，并产生独立的结果。

此外，在具有完全连接的神经元的神经网络，参数（权重）的数量可以快速增加，因为输入的尺寸增加。卷积神经网络减少与连接的数量减少，共享权重，并下采样参数的数目。

甲ConvNet由多个层，诸如卷积层，MAX-池或平均池层，以及完全连接的层。

在一个ConvNet的每一层中的神经元被设置在3-d的方式，转化3-d输入到3-d输出。例如，对于图像输入，所述第一层（输入层）保留图像作为3-d的输入，与所述尺寸是高度，宽度，和图像的颜色通道。在第一层的卷积神经元连接到这些图像的区域，并将它们转换成3-d输出。每个层中的隐藏单元（神经元）学习的原始输入，其被称为特征提取非线性组合[2]。这些学习功能，也被称为激活，从一个层成为下一层的输入。最后，学习功能成为输入分类或在网络末端的回归函数。

一个ConvNet的体系结构可以根据包括在类型和层的数量而变化。类型和包含层的数量取决于特定的应用程序或数据。举例来说，如果你有明确的回复，你必须有一个分类功能和分类层，而如果你的反应是连续的，你必须有在网络的最后一个回归层。与只有一个或两个卷积的层更小的网络可能足以学习少数灰度图像数据。在另一方面，对于具有数百万彩色图像的更复杂的数据，您可能需要使用多个卷积和完全连接层的更复杂的网络。

您可以连接在MATLAB卷积神经网络的各层^®以下列方式：

层= [imageInputLayer（[28 28 1]）convolution2dLayer（5,20）reluLayer maxPooling2dLayer（2， '步'，2）fullyConnectedLayer（10）softmaxLayer classificationLayer];

定义你的网络层后，必须使用指定的培训选项trainingOptions功能。例如，

选项= trainingOptions（ 'SGDM'）;

然后，你可以使用你的训练数据训练网络trainNetwork功能。中的数据，层，和训练选项成为输入到训练功能。例如，

convnet = trainNetwork（数据，层，选项）;

对于ConvNet层的详细论述，请参阅指定卷积神经网络的层次。对于设置训练参数，请参阅设置参数和火车站卷积神经网络。

也可以看看

trainNetwork|trainingOptions

相关话题

• 深度学习在MATLAB
• 指定卷积神经网络的层次
• 设置参数和火车站卷积神经网络
• 开始使用迁移学习
• 创建简单深层学习网络分类
• 预训练深层神经网络