image
每个对机器学习感兴趣的机器学习工程师/软件开发人员/学生都在卷积神经网络（也称为CNN）上工作。我们有一个一般理论，即如何训练网络对图像进行分类。但是，刚接触机器学习/神经网络的人们并不了解CNN如何精确地学习参数。
我们知道，在每个转换层中，网络都试图了解基本模式。例如：在第一层中，网络尝试学习图案和边缘。在第二层中，它尝试了解形状/颜色和其他内容。最后一层称为要素层/完全连接层尝试对图像进行分类。
在学习参数之前，我们需要了解卷积网络中的一些基本概念，这对修改/重用源代码非常有帮助。
CNN网络中存在各种层。
输入层：所有输入层所做的都是读取图像。因此，这里没有学习参数。
卷积层：考虑一个以“ l ”个特征图为输入并以“ k ”个特征图为输出的卷积层。过滤器尺寸为“ n * m ” 。
image
在此，输入具有l = 32个特征图作为输入，k = 64个特征图作为输出，并且过滤器大小为n = 3和m = 3。重要的是要理解，我们不只是拥有3 * 3过滤器，而是实际上拥有3 * 3 * 32过滤器，因为我们的输入具有32个尺寸。作为第一转换层的输出，我们学习了64个不同的3 * 3 * 32滤波器，总权重为“ n * m * k * l ”。然后，每个特征图都有一个称为“偏差”的术语。因此，参数总数为“ （n * m * l + 1）* k ”.
池化层：池化层中没有可以学习的参数。该层仅用于减小图像尺寸。
完全连接层：在此层中，所有输入单元对每个输出单元都具有可分离的权重。对于“ n ”个输入和“ m ”个输出，权数为“ n * m ”。另外，该层对于每个输出节点都有偏差，因此“ （n + 1）* m ”个参数。
输出层：此层是完全连接的层，因此当“ n ”是输入数而“ m ”是输出数时，参数（n + 1）m。
CNN层的最后一个困难是第一个完全连接的层。我们不知道完全连接层的尺寸，因为它是卷积层。要计算它，我们必须从输入图像的大小开始，并计算每个卷积层的大小。
在简单的情况下，输出CNN层的大小被计算为“ input_size-（filter_size-1） ”。例如，如果输入image_size为（50,50）且filter为（3,3），则（50-（3-1））= 48。但是卷积网络的输入图像的大小不应小于输入的大小，因此可以进行填充。
因此可以进行填充。
要计算填充，请输入input_size + 2 * padding_size-（filter_size-1）。对于上述情况，（50+（2 * 1）-（3-1）= 52–2 = 50）给出相同的输入大小。
如果我们想明确地想在卷积过程中对图像进行下采样，则可以定义一个跨度。
最后，要计算网络学习的参数数量（n * m * k + 1）* f.
让我们在给定的代码中看到这一点。
import keras
image
input_1（输入层）的形状为（None，96,96,1），参数为0。在整个程序中，stride = 1，kernel_size = 2 * 2，padding = same。
卷积_1：（（（kernel_size）* stride + 1）* filters）= 3 * 3 * 1 + 1 * 32 = 320个参数。在第一层中，卷积层具有32个滤镜。
Dropout_1：Dropout层不执行任何操作。它只是删除低于所述权重的节点。
Convolutional_2：由于convolutional_1已经学习了32个过滤器。所以数量该层中的可训练参数为3 * 3 * 32 + 1 * 32 = 9248，依此类推。
Max_pooling_2d：此层用于减小输入图像的大小。kernal_size =（2,2）在这里使用。因此输入图像96减少到一半48。模型从这一层学不到任何东西。
Convolutional_3： 3 * 3 * 32 + 1 * 64 = 18496，依此类推。
最后，所有的参数总结在一起。
总训练参数= 7,759,521可训练参数= 7,759,251非训练参数= 0。
image
Have a great day..!
网友评论