溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇內容主要講解“CNN中ReLU和Pooling操作是怎樣的”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“CNN中ReLU和Pooling操作是怎樣的”吧!
02
—
ReLU操作
CNN用的激活函數不是Sigmoid函數，大家都知道Sigmoid函數最大的問題是隨著深度學習會出現梯度消失，這樣會導致最后的收斂速度變得很慢，經過實踐證明，采取另外一個函數，性能會更好些，這就是 ReLU 函數，它長這樣：
可以看出在 x 大于 0 時，它是線性函數，在 x 小于 0 時，它是非線性的函數，因此ReLu綜合起來看為非線性函數。
ReLU函數對CNN的實際意義
可以看出CNN中的卷積操作是線性操作，對應元素相乘，然后再求和，又知道在現實世界中，大部分的數據都是非線性的，所以有必要引入一個非線性的激活函數，下面通過ReLU操作看下對圖片的影響：
原圖像
左圖為對原圖像卷積后的圖像，右圖為ReLU后的圖像，對于單通道圖上取值范圍為0－255，其中255為白色，0是黑色，因為卷積后的結果有可能為負值，所以經過ReLU后，所有的值為非負值，不再出現有問題的負值。
03
—
Pooling層
Pooling層能起到降低上一層輸入的特征的維數的作用，但是同時能保持其最重要的信息，Pooling操作分多種：最大池化，平均池化，求和池化等。
以最大池化為例，池化一般在ReLU操作之后，首先定義一個相鄰區域，然后求出這個區域的最大值，再選定一個步長，依次遍歷完圖像，如下圖所示：
Pooling 操作的實際意義
使得輸入的特征維數降低，更易于管理
有了第一條，也會使得權重參數個數變少，更易于收斂。
Pooling操作相當于決策樹中的剪枝操作，能防止過擬合。
經過池化操作后，CNN可以適應圖片小的位移，扭曲，位移
經過吃化操作后，CNN可以幫助我們達成在一定尺度上的不變性，這是非常重要的，因為圖像不再受外界環境的干擾。
04
—
CNN總結
至此已經介紹完了CNN使用的核心技術，如果將卷積操作，ReLU操作，Pooling操作結合起來，我們可以得到如下深度網絡，可以看出共進行了2次卷積和池化，完成對輸入的圖像的特征提取，接下來就是全連接層，所謂的全連接層與之前說的DNN（全連接多層神經網絡）是一致的，大家可以參考之前的推送復習多層感知器。
經過全連接層，會使用前一層提取的所有主要特征，使用一般的均值方差作為損失函數，在輸出層可以使用softmax分類器完成多分類任務。可以看出預測的結果為一只船，這是合理的。
下面總結下CNN的算法：
初始化所有的過濾核，超參數，權重參數等
輸入訓練的圖像數據，經過前向傳播，包括：卷積操作，ReLU操作，池化操作和全連接層的前向傳播，最后在輸出層得到屬于每個類的概率值。
計算在輸出層的總誤差，采用均方誤差項：總誤差 = ∑ ? (目標概率 – 輸出概率) 2
用反向傳播計算誤差項相對于權重參數和偏置項的梯度，以此最小化3中的誤差和，等達到某個閾值時，停止訓練。
對所有圖像數據重復 2-4 操作。
到此，相信大家對“CNN中ReLU和Pooling操作是怎樣的”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
