ppt画cnn结构,cnn 结构

卷积神经网络(CNN)基础

1、卷积神经网络：是一类包含卷积计算且具有深度结构的前馈神经网络 卷积核：就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。

2、卷积层的组成和每层的作用 卷积神经网络（CNN）主要由卷积层、激活函数、池化层、全连接层组成。

3、卷积层的作用是提取一个局部区域的特征。卷积神经网络（ConvolutionalNeuralNetwork，CNN或ConvNet）是一种具有局部连接、权重共享等特性的深层前馈神经网络。卷积神经网络是受生物学上感受野的机制而提出。

cnn的原理图解

cnn的原理图解是利用卷积（convolve）和激活函数（activation function）进行特征提取，得到一种新型的神经网络模型。

人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素 Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。

CRNN 网络结构如图 2-1 所示，输入为经过文字检测的文本框（小图），输出为具体的文字内容 “state”，从下往上的结构依次为：卷积层、循环层和翻译层。卷积层：使用深度 CNN 进行图像的局部特征提取。

让我们从最简单的深度学习方法开始，也是一种广泛使用的方法，用于检测图像中的目标——卷积神经网络（ CNN）。CNN 的内部工作原理如下：我们将图像传递给网络，然后通过各种卷积和池化层处理，发送给全连接层。

cnn的基本结构不包括

1、cnn的基本结构不包括：反向池化层。CNN基本部件介绍：局部感受野。在图像中局部像素之间的联系较为紧密，而距离较远的像素联系相对较弱。

2、CNN的基本结构包括两层（特征提取层，特征映射层）：①特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。

3、Softmax层也不属于CNN中单独的层，一般要用CNN做分类的话，我们习惯的方式是将神经元的输出变成概率的形式，Softmax就是做这个的： 。

标签：结构cnnppt