【文件属性】：
文件名称：卷积神经网络-详解spring缓存注解@cacheable@cacheput @cacheevict使用
文件大小：5.1MB
文件格式：PDF
更新时间：2021-06-09 14:21:16
caffe 深度学习 声音识别
1.3 卷积神经网络
卷积神经网络是在神经网络的理论基础上形成的深度学习网络。上述提到的神经网
络由本文 2.1.2（5）可知，是一个全连接的网络，即上一层的每个神经元均连接到下一
层的某一个神经元中。这样的做法有以下缺点：1、声音和图像的输入均是很多维，包
含数百个以上的变量，例如，输入图像的像素是 100*100，隐含层要学习 100 维的特征
（即隐含层有 100个神经元），则全连接网络需要学习 100*100*100，即 10 万个权重参
数，这样使用 BP算法不但使训练速度变慢，参数越多，意味着需要的训练样本越多，
如果训练样本不足，还容易产生过拟合现象，学习出来的特征没有普遍性。2、神经网
络的结构不考虑输入数据的特点，例如，在图像识别中，同一幅图像只是做了一个小的
位移，神经网络就会因为其输入像素的不同当成是不同的图像，无法根据训练过程对这
种数据特征进行优化处理。3、神经网络由于其全连接，因此需要考虑全部的输入数
据，无法识别训练数据中的局部区域特征，可是卷积神经网络可以单独学习识别该局部
区域特征。
针对以上问题，卷积神经网络通过局部连接，经过局部感受野、权值共享和下采样
过程，来对神经网络进行改造，从而更好学习特征。其与神经网络的主要不同主要有：
（1）局部感受野。相对于神经网络的输入是一维的，卷积神经网络的输入是二维。
而且，输入也不是全部连接到一个神经元，而是局部连接，其区别主要如图 8所示。
图 8 卷积神经网络输入连接的不同点 图 9 权值共享
局部连接，即输入的数据只有一部分连接到一个神经元，称为局部感受野。其可以使
神经网络从输入图像中学习到初级的视觉特征，如端点、边缘、拐角等，后续的各层通过
对这些特征的组合，从而能得到更高级的特征。