卷积神经网络CNN理论到实践

72 阅读 0 评论 48 点赞

我是靠谱客的博主震动星星，最近开发中收集的这篇文章主要介绍卷积神经网络CNN理论到实践，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

在本系列博文中，我们会全方位，足够深入的为你讲解CNN的知识。包括很多你之前在网上找了很多资料也没搞清楚的东西，例如：
1. 我们会全面深入的介绍卷积的概念，让你不仅仅知道卷积的运算，还能够从理性和感性的双重角度，理解卷积的意义。我们还会探讨为什么要使用卷积网络，卷积网络究竟有什么特性。
2. 我们会详细介绍池化的概念，并且告诉你为什么要做池化操作，池化操作究竟有什么特别的好处。
3. 我们会全面介绍CNN的各种形式。如：standard convolution,valid convolution, same convolution,full convolution,unshared convolution,tiled convolution等等。尤其是tiled convolution我们会用最能够让人理解的方式，让你透彻明白其中的原理。这一点，我们的工作要比网上其他博文做得更好。
4. 我们还将详细探讨卷积与矩阵乘法的关系。这一点，我们的工作也要比网上其他博文作的好。
5. 除此之外，我们还会探讨更多，更深入的知识，例如：CNN中的其他操作（如反卷积等），如何在数据集上使用不同维度的卷积，使得卷积操作更高效的方式，使用tensorflow进行CNN的实现，讨论并实现如何使用CNN做中文文本分类。

所有这些精彩的内容，都会在我接下来的博文中一一介绍。
因此，与网上其他博文相比，我们的工作更好，主要体现在：
1.对理论的介绍足够深入易懂
2. 我们会利用CNN做文本分类的实践。
3. 我们会绘制大量精美的示意图。保证博文的高质量和美观。

系列博文目录（实时更新）

卷积神经网络CNN理论到实践(1)
摘要：
首先介绍卷积的概念，然后我们解释在神经网络中使用卷积的原因:sparse interactions，parameter sharing和equivariant representations.

卷积神经网络CNN理论到实践(2)
摘要：
首先介绍池化的概念，其中我们还会探讨池化的作用（平移不变，减轻网络负担，处理变长输入）。之后我们会为大家讲解什么是无限强的先验以及为什么我们说卷积层和池化层可以看做是一个无限强的先验。

卷积神经网络CNN理论到实践(3)
摘要：
我们会全面介绍CNN的各种形式，如：
standard convolution,valid convolution, same convolution,full convolution,unshared convolution,tiled convolution等等。

卷积神经网络CNN理论到实践(4)
摘要：
在前面的博文中，我们不止一次的提到卷积与矩阵乘法的联系，但是都只是模糊的给出了一个解释，相信大家也许还并没有搞清楚这其中的细节，因此在本篇博文中，我们将详细探讨卷积与矩阵乘法的关系。在此基础上，我们还会会介绍CNN中的其他操作，其中最重要的，是反卷积操作。

卷积神经网络CNN理论到实践(5)
摘要：
从本篇博文开始，我们将逐渐由理论过渡到实战。在本篇博文中，我们首先接受一个经典的CNN结构：LeNet5.然后用pyhon实现一个简单的两层的卷积网络。最后，我们用这个简单的CNN做一个MNIST手写识别，你会发现，尽管网络很简单，但是性能却足够优异（>99.2%）。

卷积神经网络CNN理论到实践(6)
摘要：
本节我们的目标是，在上一篇博文的基础上，我们再来实现几个复杂一点的CNN模型。为下一篇CNN做文本分类打下基础。

卷积神经网络CNN理论到实践(7)
摘要（部分完成）：
本节博文，我们将使用CNN来做文本分类。这篇博文暂时不会有实际的代码，我们先从理论上对NLP-CNN做一个介绍，并梳理和总结相关文献。实践工作留待下一篇博文介绍。

最近博主比较累，暂停更新，下一波更新留待2017年6月底

卷积神经网络CNN理论到实践(8)
摘要（尚未写）：
基于CNN的文本分类实战