深度卷积神经网络中的前向与反向传播
计算机视觉与模式识别
2017-11-10 v1
摘要
卷积神经网络（CNN），又称 ConvNets，广泛应用于许多视觉图像应用、对象分类、语音识别。在 2012 年 krizhevsky 于 Imagenet 分类中实施并展示深度卷积神经网络之后，其架构吸引了众多研究者。这导致了 Tensorflow、caffe、keras、theano 等深度学习框架的重大发展。尽管借助深度学习框架实现深度学习已相当可行，但数学理论与概念对新学者与从业者而言仍较难理解。本文旨在提供 ConvNets 架构的概览，并解释其背后的数学理论，包括激活函数、损失函数、前向传播与反向传播。本文中，灰度图像被作为输入信息图像，采用 ReLU 与 Sigmoid 激活函数构建架构，并使用交叉熵损失函数计算预测值与实际值之间的差异。该架构被设计为包含一个卷积层、一个池化层以及多个全连接层。
引用
@article{arxiv.1711.03278,
title = {Feed Forward and Backward Run in Deep Convolution Neural Network},
author = {Pushparaja Murugan},
journal= {arXiv preprint arXiv:1711.03278},
year = {2017}
}
备注
20 pages, 20th International Conference on Computer Vision and Image Processing