卷积神经网络CNN从入门到实战

卷积神经网络简介

计算机视觉，简称CV

卷积神经网络主要应用于计算机视觉任务中

深度学习大大减少了计算机视觉邻域的错误率

卷积神经网络应用：一些传统计算机视觉任务或者以后出现的计算机视觉任务，如：图像的检测和追踪，分类和检索，超分辨重构，医学任务，无人驾驶

卷积神经网络：特征提取

核心点：怎么样进行特征提取

传统神经网络问题：权重参数矩阵大，花费训练时间多，而且过拟合风险大

卷积神经网络无非就是做卷积，做全连接，做各种运算

卷积神经网络与传统网络的区别：

传统神经网络先把数据拉成一个向量，而卷积神经网络直接对图像数据进行特征提取

 整体架构：

输入层

卷积层（提取特征）

池化层（压缩特征）

全连接层

卷积层：

卷积无非就是要进行特征提取

先把图像分割成多个小块，每个区域再进行特征提取（通过权重参数矩阵，找到最好的权重参数矩阵，使得特征提取后效果能够最好）

图像颜色通道

通常是RGB三元通道（如32*32*3），R,B,G三个通道分别算一遍，再进行相加 

 执行卷积后得到feature map，可以使用多个卷积核，选择不同的特征矩阵得到的特征结果是不同的 比如32*32*3 可以得到6个28*28*1的特征图，即得到28*28*6的丰富的特征

多次卷积得到高级特征

卷积层涉及参数：

滑动窗口步长：步长较小，提取特征丰富

卷积核尺寸：尺寸越小越细腻

边缘填充：越往边界的点利用的次数越少，越往中间的点被最终结果利用的次数多。这不公平。所以为使边界点和中间的点同样重要，利用的机会同等多，再图像外面加一圈0，一定程度上弥补了一些边界信息的缺失的问题

卷积核个数：就是最终在算的过程中要得到多少个特征图，每个卷积核里面的数值是不一样的，一开始随机数，然后分别进行各自参数的更新

卷积结果计算公式

长度：H2=（H1-FH+2P）/S    +1

宽度：W2=（W1-FW+2P）/S    +1

其中W1，H1表示输入的宽度，长度；W2,H2表示输出特征图的宽度，长度；F表示卷积核长和宽的大小；S表示滑动窗口的步长；P表示边界填充（加几圈0）

卷积参数共享：实际当中，每个区域都是用相同的卷积核来进行卷积操作

池化层：

作用：压缩，选择重要的留下来

最大池化（max pooling）：不同的区域里只选最大的

平均池化

如何把立体的特征图转化为5分类的概率值，卷积神经网络只是进行特征提取的，最好还得是靠全连接层

神经网络怎么样才能称为一层：带参数计算的才能称为一层。如激活层，不需要反向传播去更新一些东西，所以不算一层。池化层也不算 

主流经典网络——restnet 多用

感受野：形成的特征层是由原始数据多少个参与计算得到的

很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细致，加入的非线性变换也会随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作，还可以增多激活层层数。

7*7--->1    与   7*7--->5*5--->3*3--->1(经过三个3*3卷积核)

构建简单卷积神经网络：

一般卷积层，relu层，池化层可以写成一个套餐

注意卷积最后结果还是一个特征图，需要把图转化为向量才能做分类或者回归任务