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]。这些细胞是根据视野的亚区来激活的。这些子区域被称为接受域。从这项研究的发现中得到启发，卷积层中的神经元连接到该层之前的层的次区域，而不是像其他类型的神经网络那样是完全连接的。神经元对图像中这些亚区域以外的区域没有反应。

这些亚区可能重叠，因此，一个卷积神经网络的神经元产生空间相关的结果，而在其他类型的神经网络中，神经元不共享任何连接，产生独立的结果。

此外，在具有全连接神经元的神经网络中，参数(权值)的数量会随着输入尺寸的增大而迅速增加。卷积神经网络通过减少连接数、共享权值和向下采样来减少参数的数量。

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。

卷积神经网络的每一层神经元都以3-D方式排列，将3-D输入转化为3-D输出。例如，对于一个图像输入，第一层(输入层)将图像作为3-D输入，其尺寸为图像的高度、宽度和颜色通道。第一个卷积层的神经元连接到这些图像的区域，并将它们转换成3d输出。每一层的隐藏单元(神经元)学习原始输入的非线性组合，称为特征提取[2]。这些从一层了解到的特性，也称为激活，将成为下一层的输入。最后，所学习的特征成为分类器的输入或网络末端的回归函数。

卷积神经网络的架构可以根据包含的层的类型和数量而变化。所包含的层的类型和数量取决于特定的应用程序或数据。例如，如果您有分类响应，那么您必须有一个分类函数和一个分类层，而如果您的响应是连续的，那么您必须在网络的末端有一个回归层。一个较小的网络，只有一个或两个卷积层，可能足以学习少量的灰度图像数据。另一方面，对于包含数百万彩色图像的更复杂的数据，您可能需要一个包含多个卷积和全连接层的更复杂的网络。

您可以在MATLAB中将卷积神经网络的各层连接起来^®方法如下:

layer = [imageInputLayer([28281]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2，'Stride'，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];

定义网络层之后，必须使用trainingOptions函数。例如,

选择= trainingOptions(个);

然后，你可以使用你的训练数据训练网络trainNetwork函数。数据、层和培训选项成为培训功能的输入。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。有关设置培训参数，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

• MATLAB中的深度学习
• 指定卷积神经网络的层
• 设置参数和火车站卷积神经网络
• 开始使用迁移学习
• 创建简单的深度学习网络进行分类
• 预训练深层神经网络