深度学习入门 : 基于Python的理论与实现

  第 7章　卷积神经网络

230

图7

-

25 中显示了选择两个学习完的滤波器对输入图像进行卷积处理时的

结果。我们发现“滤波器 1”对垂直方向上的边缘有响应，“滤波器 2”对水平

方向上的边缘有响应。

由此可知，卷积层的滤波器会提取边缘或斑块等原始信息。而刚才实现

的

CNN

会将这些原始信息传递给后面的层。

7.6.2

　基于分层结构的信息提取

上面的结果是针对第1 层的卷积层得出的。第1 层的卷积层中提取了边

缘或斑块等“低级”信息，那么在堆叠了多层的

CNN

中，各层中又会提取什

么样的信息呢？根据深度学习的可视化相关的研究

[17][18]

，随着层次加深，提

取的信息（正确地讲，是反映强烈的神经元）也越来越抽象。

图 7

-

26 中展示了进行一般物体识别（车或狗等）的8 层

CNN

。这个网络

结构的名称是下一节要介绍的

AlexNet

。

AlexNet

网络结构堆叠了多层卷积

层和池化层，最后经过全连接层输出结果。图 7

-

26 的方块表示的是中间数据，

对于这些中间数据，会连续应用卷积运算。

图7-26　 CNN 的卷积层中提取的信息。第1 层的神经元对边缘或斑块有响应，第3 层对纹

理有响应，第5 层对物体部件有响应，最后的全连接层对物体的类别（狗或车）有

响应（图像引用自文献[19]）

11

11

224

55

5

5

55

27

96

3

3

3

3

3

3

256

27

13

13

13

13

13

13

384

384

256

4096 4096

1000

dense dense

Max

pooling

Max

pooling

Max

pooling

224

3

Stride

of 4

Data-driven ...