文档介绍：N卷积神经网络原理简介
http://blog./u012162613/article/details/43225445
N的实现代码。N,在此推荐周晓艺师兄的博文:Deep Learning(深度学整理系列之(七),以及UFLDL上的卷积特征提取、池化
CNN的最大特点就是稀疏连接(局部感受)和权值共享,如下面两图所示,左为稀疏连接,右为权值共享。稀疏连接和权值共享可以减少所要训练的参数,减少计算复杂度。
       
N的结构,5来说明:
这个图真是无处不在,N,5,这图来自于这篇论文:Gradient-Based Learning Applied to Document Recognition,论文很长,5这个结构,建议看看那部分。
我这里简单说一下,5这张图从左到右,先是input,这是输入层,即输入的图片。input-layer到C1这部分就是一个卷积层(convolution运算),C1到S2是一个子采样层(pooling运算),关于卷积和子采样的具体过程可以参考下图:
然后,S2到C3又是卷积,C3到S4又是子采样,可以发现,卷积和子采样都是成对出现的,卷积后面一般跟着子采样。S4到C5之间是全连接的,这就相当于一个MLP的隐含层了(如果你不清楚MLP,参考《DeepLearning tutorial(3)MLP多层感知机原理简介+代码详解》)。C5到F6同样是全连接,也是相当于一个MLP的隐含层。最后从F6到输出output,其实就是一个分类器,这一层就叫分类层。
N的基本结构大概就是这样,由输入、卷积层、子采样层、全连接层、分类层、输出这些基本“构件”组成,一般根据具体的应用或者问题,去确定要多少卷积层和子采样层、采用什么分类器。当确定好了结构以后,如何求解层与层之间的连接参
数?一般采用向前传播(FP)+向后传播(BP)的方法来训练。具体可参考上面给出的链接。
N卷积神经网络代码详细解读(基于python+theano)
代码来自于深度学习教程:Convolutional works (),5,具体如下:
没有实现location-specific gain and bias parameters
用的是maxpooling,而不是average_pooling
分类器用的是softmax,5用的是rbf
5第二层并不是全连接的,本程序实现的是全连接
另外,代码里将卷积层和子采用层合在一起,定义为“ConvPoolLayer“(卷积采样层),这好理解,因为它们总是成对出现。但是有个地方需要注意,代码中将卷积后的输出直接作为子采样层的输入,而没有加偏置b再通过sigmoid
函数进行映射,即没有了下图中fx后面的bx以及sigmoid映射,也即直接由fx得到Cx。
最后,代码中第一个卷积层用的卷积核有20个,第二个卷积层用50个,5图中所示的6个和16个。
了解了这些,下面看代码:
(1)导入必要的模块
[python] view plain copy
import cPickle  
import gzip  
import os  
import sys  
import time  
  
import numpy  
  
import theano  
import  as T  
from  import downsample  
from  import conv  
(2)N的基本"构件"
CNN的基本构件包括卷积采样层、隐含层、分类器,如下
ConvPoolLayer(卷积+采样层)
见代码注释:
[python] view plain copy
""" 
卷积+ConvPoolLayer 
rng:随机数生成器,用于初始化W 
input:4维的向量, 
filter_shape:(number of filters, num input feature maps,filter height, filter width) 
image_shape:(batch size, num input feature maps,image height, image width) 
poolsize: (#rows, #cols) 
"""  
class ConvPoolLayer(object):  
    def __init__(self, rng, input, filter_shape, image_shape, poolsize=