最新Kolmogorov-Arnold网络架构下的KANConv

一、最新Kolmogorov-Arnold网络架构下的KANConv
1、Kolmogorov_Arnold网络，该架构将该网络KANS的非线性激活函数，整合到卷积层中，代替传统的CNN中的卷积函数去非线性变换、

2、KANConv层引入了更多参数，每个卷积核都需要额外学习函数，能够更好的捕获数据中的空间关系，

摘要，引入卷积KolmogroovAnold网络KANS网络，他是标准的卷积神网络，
KANS网络提出非线性激活函数，将其整合到卷积操作中，

使用KANS是，KANS的非线性激活函数和CNN的创新架构，

一、KKAN
1、输入层，接受原始图像，
2、Kanconv，两次卷积操作，通道数5，卷积核33
3、最大池化层，22的池化核，目的降低特征尺寸
4、flatten，展平操作，将二位转化为一位
5、Kanliner,全连接层，输入维度625，输出维度10，用于分类
’

二、KanconBNMLP2
1、输入层，
2、Kanconv,通道5卷积核3*3
3、batchnorm2d，批量归一化对卷积的输出进行归一化，通道数5
4、Kanconv,，继续Kanc卷积层
5、，Batchonorm2d，批量归一化，通道数25
6、Maxpool2d,，最大池化，缩小特征量
6、flatten，展平降维
7、Linear,全连接层，输入625，输出256，给特征映射到更高的维度，
8、linear,全连接层，输入256，输出10，完成分类

三、原理，
1、背景，Kans,新的架构，将多变量函数，表示变为单变量函数的组合，使用可学习的模型提升性能，
2、应用，KANs通过可学习的样条函数区替代传统的神经网络的线性权重矩阵，让网络在保持高准确率的同时ui降低参数量
3、KANs卷积，是将KANs和CNN两者结合起来，随后i将KANs架构，应用于卷积操作中–
卷积KAns的卷积核可学习非线性函数，可以根据数据动态的调制更好的非线性
4、卷积效率，Kans,明显的减少了参数量，准确率基本相同，

四、总结
卷积KAns与CNN正确率相近，参数量减半，使用更少的参数，处理非线性关系更好