[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客

本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120808864


目录

第1章 单个全连接神经元与卷积核神经元的结构比较

1.1 全连接神经元

1.2 卷积核神经元(多维模型)

第2章 全连接网络与卷积网络的结构比较

2.1 全连接网络

2.2 卷积核网络

2.3 卷积+全连接网络

第3章 全连接网络与卷积网络的性能比较


第1章 单个全连接神经元与卷积核神经元的结构比较

[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

以第一个卷积层(28,28,64)和第一个全连接层1024为例。

1.1 全连接神经元

(1)一维向量模型

[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

输入尺寸:       (X) = (640)

全连接神经元:(X) = (640)   # 与输入尺寸完全相同

输出尺寸:       (X)  =(1)  #  固定尺寸1

(2)等效的三维全连接模型

[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

 输入尺寸:       (X, Y,  Z)     = (5, 5, 64)

全连接神经元: (X, Y,  Z)    =  (5, 5, 64) # 其尺寸与输入尺寸完全相同。

输出尺寸:        (X)              = 1                # 固定尺寸1,所有输入合并,所有通道合并

(3)等效的三维卷积核模型

输入尺寸:       (X, Y,  Z)     = (5, 5, 64)

卷积核神经元:(X, Y,  Z)    = (5,  5), # 卷积核尺寸与输入数据尺寸相同,64个通道被合并 

输出尺寸:       (X, Y)         = (1, 1)      # 固定尺寸1

备注:卷积核比全连接了通道维度,因此卷积实现全连接所需要的参数要少很多倍。

1.2 卷积核神经元(多维模型)

[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

输入尺寸:     (X, Y,  Z)  = (32, 32, 3)

卷积核神经元:(X, Y)      =  (5,  5)       # 其尺寸远远小于输入尺寸, 3个通道被合并

输出尺寸:     (X, Y)     =  (28, 28)       # 由卷积核尺寸、输入尺寸、移动步长、填充尺寸调整。

第2章 全连接网络与卷积网络的结构比较

2.1 全连接网络

(1)一维向量模型

[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

输入尺寸:        (X)       = (640)

单全连接神经元:(X)       = (640)             # 与输入尺寸完全相同

单神经元输出:   (X)        = (1)

全连接网络:      (X,   Y)  = (640, 1024)   # X维度与输入相同,Y维度与输出相同

输出尺寸:        (X)       = (1024)          # 尺寸与神经元的个数相同

(2)三维扩展模型

输入尺寸:        (X)       =  (5, 5, 64)

单全连接神经元:(X)       =  (5, 5, 64)    # 与输入尺寸完全相同

单神经元输出:   (X)        = (1)              # 所有输入合并,所有通道合并

全连接网络:      (X,   Y)  = (640, 1024)   # X维度与输入相同,Y维度与输出相同

输出尺寸:        (X)       = (1024)          # 尺寸与神经元的个数相同

(3)卷积等效网络

输入尺寸:          (X)       =  (5, 5, 64)

卷积核神经元:   (X)       = (5, 5)                    # 与输入尺寸必须完全相同,步长为1

卷积核输出:       (X)        = (1, 1)                   # 64个通道合并

卷积网络:          (X,  Y, Z)   = (5,5,  1024)   # X维度与输入相同,Y维度与输出相同

输出尺寸:        (X, Y)       = (1,   1,  1024)    # 尺寸与神经元的个数相同

备注:卷积网络要比全连接网络少很多倍的参数。

2.2 卷积核网络

[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

输入尺寸:            (X,  Y,  Z)  = (32, 32, 3)

卷积核尺寸:         (X,  Y)    =  (2,   2)

卷积核输出尺寸:  (X, Y)     =  (28, 28)        # 取决于迭代步长、卷积核尺寸,输入尺寸

卷积核网络尺寸:       (X, Y,  Z )  =  (2,   2,  64)   # 其中(n-X, n-Y) 远远小于(i-X,   i-Y),(n-Z)与输出支持相同

卷积网络输出尺寸: (X, Y, Z)   =  (28, 28, 64)  #取决于迭代步长、卷积核尺寸,输入尺寸, 卷积核个数

2.3 卷积+全连接网络

[人工智能-深度学习-29]:卷积神经网络CNN - 全连接网络与卷积网络结构的互为等效与性能比较

第3章 全连接网络与卷积网络的性能比较

比较 全连接网 卷积网络
拟合程度 容易过拟合 容易欠拟合
神经元参数个数 与输入数据尺寸一致 非常小,卷积核的大小
单个运算量 取决于输入数据的尺寸 取决于输出数据的尺寸


作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客

本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120808864

上一篇:Linux开发环境下手动安装mysql


下一篇:Struts2实现文件上传报错(三)