深度学习：Keras入门(二)之卷积神经网络(CNN)

 说明：这篇文章需要有一些相关的基础知识，否则看起来可能比较吃力。

1.卷积与神经元

         1.1 什么是卷积？

         简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)

         如下图就表示卷积的运算过程：

 

                                             （图1）

        卷积运算一个重要的特点就是，通过卷积运算，可以使原信号特征增强，并且降低噪音.

       1.2 激活函数

             这里以常用的激活函数sigmoid为例：

         

             把上述的计算结果269带入此公式，得出f(x)=1

      1.3 神经元

            如图是一个人工神经元的模型：

         

                                       （图2）

          对于每一个神经元，都包含以下几部分：

           x:表示输入

          w:表示权重

          θ:表示偏置

          ∑wx:表示卷积(内积)

           f :表示激活函数

           o:表示输出

      1.4 图像的滤波操作

            对于一个灰度图片(图3) 用sobel算子(图4)进行过滤，将得到如图5所示的图片。

 

      1.5小结

       上面的内容主要是为了统一一下概念上的认识：

       图1的蓝色部分、图2中的xn、图3的图像都是神经元的输入部分;图1的红色部分数值值、图2的wn值、图4的矩阵值都可以叫做权重(或者滤波器或者卷积核，下文统称权重)。而权重(或卷积核)的大小(如图4的3×3)叫做接受域(也叫感知野或者数据窗口，下文统称接受域)

2.卷积神经网络

    在介绍卷积神经网络定义之前，先说几种比较流行的卷积神经网络的结构图。

    2.1 常见的几种卷积神经网络结构图  

           

                                                                 (图6)     

        

                                                                (图7)

         

                                                              （图8）

          

                                                                 (图9)

        图8中的C-层、S-层是6中的Convolutions层和subsampling层的简写，C-层是卷积层，S-层是子抽样和局部平均层。在图6和图7中C-层、S-层不是指具体的某 一个层，而是指输入层和特征映射层、特征映射层和特征映射层之间的计算过程，而特征映射层则保持的是卷积、子抽样(或下采样)和局部平均的输出结果。而图 6和图7的区别在于最终结果输出之前是否有全连接层&