Day 18 - 卷积神经网络 CNN (3)-Convolution layer

年度ILSVRC竞赛 winner Model

下图为最知名的卷积神经网络 1998 LeNet-5，主要是用来辨识手写数字（MNIST资料库 - MNIST is a now-famous data set that includes images of handwritten digits paired with their true label of 0, 1, 2, 3, 4, 5, 6, 7, 8, or 9. ）。

其架构可以归纳为 [convolution layer > pooling layer(subsampling)] 二层 > [fully connective layer]三层 > activation(non-linearity)

卷积神经网络 CNN 的过程有点复杂，分为以下几个部分:

• Convolution layer
• Pooling layer
  (重复以上步骤多次後再进行Flatten)
• Flatten/Full Connection
• Activation Function

Convolution layer

由於特徵会出现在影像中不定位置，并且特徵是规律性的，所以可利用convolution对於local detect会比对整张影像global detect来的较有效率。
在此阶段我们会使用filter，使用方式如下图

Conolution layer的目的是将图片中的特徵明显化，以提高识别成功率。

注:本文是搜寻数个网站及各种不同来源之结果,着重在学习,有些内容已难办别出处,我会尽可能列入出处,若有疏忽或出处不可考,请联络我, 我会列入, 尚请见谅。