第1个回答 2022-07-14
然后通过CNN的可视化可知，CNN识别物体是通过从局部到整体到实现的，CNN识别了局部的特征之后，以及局部特征的相对应的位置，就可以拼凑起来，对整体进行识别。
CNN是由卷积层，采样层和全连接层构成的，大致过程是这样的：
对于一个输入的图片，只考虑一个通道的话，为一个二维矩阵，以下图为例，一个5*5的图像，经过一个3*3的filter，得到了一个3*3的结果，运算的过程是这样的：蓝色框中的3*3的矩阵和filter进行运算，得到了结果矩阵中的那个蓝色的4，运算的方式就是每个相同位置的值相乘，然后把九个数加起来即可。然后卷积核右移一个单位，与红框中的九个数进行运算，得到结果中的红色的3，依次这么右移和下移计算即可得到最终的结果，
下面是一个动图，可以更直观反映：
实际上，输入的图片一般为RGB格式，即三通道，那么一次需要三个卷积核，
卷积的计算公式：输入一个图片后，结果卷积，输出的结果与原图片和卷积核的大小存在一定的联系，先介绍几个概念：
下面给出公式：
其中：
实际上，仅仅是这样的一个简单的操作，可以让我们的效率大大提高，其优点如下：
参考：
卷积神经网络（CNN）入门讲解
卷积神经网络（Convolutional Neural Networks，CNN）