对于图像识别，我们要求它的精准度高，
鲁棒性强（物体在受到干扰时仍保持自身性质不变的特性）
例如上图，不论图片是平移，缩放，旋转，加粗，都不应该影响CNN最后得出的结果，但是这对于人类来讲很容易，可是计算机只能识别数字，对于计算机而言，变化之后的两个图像是两个不相同的矩阵，计算机该如何识别？
我们参考人脑识别物体的原理，即基于物体特征的识别，CNN的原理便是如此，这里为了讲解方便我们以识别X为例，图片是黑白图片（即单通道，彩色图片是RGB三通道）
接下来就是计算的第一步：卷积。
这一步操作，用卷积核与图片对应的区域相乘，如果卷积核与图片对应的区域完全相符，我们很容易计算，这时得到的矩阵是全1矩阵
3x3的卷积核从图像的左上角开始进行计算，一个像素块一个像素块移动（移动的距离称为【步数】可自行设置，一般采用1或2）边缘不够3x3的采用补0或其他方法，将整个图片扫描完成之后，生成一个特征图（feature map）称为
在第一步卷积之后，就是运行触发函数了，目前普遍采用的是其作用是将特征矩阵中小于0的值（即负值）置0。方便之后矩阵相关的运算。
池化之后我们得到的特征图样就被缩小了，但仍然保留了明显的特征，（这里采用最大池化）
前面提到的三步，卷积运算，ReLU函数，池化，是可以叠加的，一般的，每一次卷积运算之后都要进行ReLU和池化，在多次运算之后，我们会得到这样的简洁但特征明显的特征图样
之后进行最后一步，，在这一步中，我们将得到的所有特征图样变换为一维向量，并且每一个向量都有其各自的权重，注意，这里的权重是CNN通过自学习和科学家的调参所得。
将每一个向量的值与其权重相乘并求和，注意：（计算得出的向量值是如图所示的，一张图片计算出来一个值，而权重是不同的，CNN会将X的权重表带入到如图的向量值中计算，再将O的权重表带入到如图的向量值中计算，并判断谁的概率更大，即为最终结果）
如上图所示是X的权重表，可见在向量值为1的位置X的权重表权重较大，故计算出X的概率更大，判断图像为X
至此，CNN的运算过程就结束了，在实际应用中，采用多层卷积和多层全相联模型，一个完整的CNN过程如下
到此这篇cnn是什么网络（cnn是什么网络用语）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/38870.html