1. 从多层感知机到卷积神经网络
DNN可以用到计算机视觉上么？为什么需要CNN？
答案是必然的，但是DNN有不少缺点，为此引入CNN。
一般情况下，图像数据比较大，意味着网络的输入层维度也比较大。当然可以对其进行处理，即使这样，假设处理完后图像变为2562563的彩色图，即输入的维度的值为196608。那么后面的隐藏层的神经元个数自然也能太少，假设为1024。仅仅一层的链接就有高达196608 * 1024的参数量。巨大的计算量给计算能力带来不小的挑战。
同时，模型的神经元数量大，可能会带来过拟合。
引入的CNN保持了层级网络结构，从输入到输出经过不同层次，不同层次有不同形式的运算或者功能。主要有以下层次：
- 数据输入层/ Input layer – 数据预处理
- 卷积计算层/ CONV layer
- 激励层/ Activation layer – 非线性变换
- 池化层/ Pooling layer – 下采样
- 全连接层/ FC layer
- 批归一化层/ Batch Normalization layer（可能有）
版权声明：本文为shayue原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。