卷积神经网络（CNN）的训练过程.pdfVIP

卷卷积积神神经经⽹⽹络络（（CNN））的的训训练练过过程程

卷卷积积神神经经⽹⽹络络的的训训练练过过程程

卷积神经⽹络的训练过程分为两个阶段。第⼀个阶段是数据由低层次向⾼层次播的阶段，即前向播阶段。另外⼀个阶段是，当前向播

得出的结果与预期不相符时，将误差从⾼层次向底层次进⾏播训练的阶段，即反向播阶段。训练过程如图4-1所⽰。训练过程为：

1、⽹络进⾏权值的初始化；

2、输⼊数据经过卷积层、下采样层、全连接层的向前播得到输出值；

3、求出⽹络的输出值与⽬标值之间的误差；

4、当误差⼤于我们的期望值时，将误差回⽹络中，依次求得全连接层，下采样层，卷积层的误差。各层的误差可以理解为对于⽹络的总

误差，⽹络应承担多少；当误差等于或⼩于我们的期望值时，结束训练。

5、根据求得误差进⾏权值更新。然后在进⼊到第⼆步。

图4-1卷积神经⽹络的训练过程

1.1卷卷积积神神经经⽹⽹络络的的前前向向播播过过程程

在前向播过程中，输⼊的图形数据经过多层卷积层的卷积和池化处理，提出特征向量，将特征向量⼊全连接层中，得出分类识别的结

果。当输出的结果与我们的期望值相符时，输出结果。

1.1.1卷卷积积层层的的向向前前播播过过程程

卷积层的向前播过程是，通过卷积核对输⼊数据进⾏卷积操作得到卷积操作。数据在实际的⽹络中的计算过程，我们以图3-4为例，介绍

卷积层的向前播过程。其中⼀个输⼊为15个神经元的图⽚，卷积核为2×2×1的⽹络，即卷积核的权值为W1，W2，W3，W4。那么卷积核

对于输⼊数据的卷积过程，如下图4-2所⽰。卷积核采⽤步长为1的卷积⽅式，卷积整个输⼊图⽚，形成了局部感受野，然后与其进⾏卷积算

法，即权值矩阵与图⽚的特征值进⾏加权和（再加上⼀个偏置量），然后通过激活函数得到输出。

图4-2图⽚深度为1，卷积层的向前播过程

⽽在图3-4中，图⽚深度为2时，卷积层的向前播过程如图4-3所⽰。输⼊的图⽚的深度为4×4×2，卷积核为2×2×2，向前播过程为，求得

第⼀层的数据与卷积核的第⼀层的权值的加权和，然后再求得第⼆层的数据与卷积核的第⼆层的权值的加权和，两层的加权和相加得到⽹络

的输出。

图4-3图⽚深度为2，卷积层的向前播过程

1.1.2下下采采样样层层的的向向前前播播过过程程

上⼀层（卷积层）提取的特征作为输⼊到下采样层，通过下采样层的池化操作，降低数据的维度，可以避免过拟合。如图4-4中为常见的

池化⽅式⽰意。最⼤池化⽅法也就是选取特征图中的最⼤值。均值池化则是求出特征图的平均值。随机池化⽅法则是先求出所有的特征值出

现在该特征图中的概率，然后在来随机选取其中的⼀个概率作为该特征图的特征值，其中概率越⼤的选择的⼏率越⼤。

图4-4池化操作⽰意图

1.1.3全全连连接接层层的的向向前前播播过过程程

特征图进过卷积层和下采样层的特征提取之后，将提取出来的特征到全连接层中，通过全连接层，进⾏分类，获得分类模型，得到最后的

结果。图4-5为⼀个三层的全连接层。假设卷积神经⽹络中，⼊全连接层的特征为x1,x2。则其在全连接层中的向前播过程如图4-5所⽰。

第⼀层全连接层有3个神经元y1,y2,y3。这三个节点的权值矩阵为W，其中b1,b2,b3分别为节点y1,y2,y3的偏置量。可以看出，在全连接层

中，参数的个数=全连接层中节点的个数×输⼊的特征的个数+节点的个数（偏置量）。其向前递过程具体如图所⽰，得到输出矩阵后，经

过激励函数f(y)的激活，⼊下⼀层。

图4-5全连接层的向前播过程

1.2卷卷积积神神经经⽹⽹络络的的反反向向播播过过程程

当卷积神经⽹络输出的结果与我们的期望值不相符时，则进⾏反向播过程。求出结果与期望值的误差，再将误差⼀层⼀层的返回，计算出

每⼀层的误差，然后进⾏权值更新。该过程的主要⽬的是通过训练样本和期望值来调整⽹络权值。误差的递过程可以这样来理解，⾸先，

数据从输⼊层到输出层，期间经过了卷积层，下采样层，全连接层，⽽数据在各层之间递的过程中难免会造成数据的损失，则也就导致了

误差的产⽣。⽽每⼀层造成的误差值是不⼀样的，所以当我们求出⽹络的总误差之后，需要将误差⼊⽹