卷积神经网络(CNN)原理和实现

卷积神经网络相关概念

卷积神经网络包含的重要结构有：卷积层、池化层、全连接层

卷积层(Convolutions)

(1) 概念：卷积运算的目的是提取输入的不同特征，某些卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。

(2) 运算规则：可参考https://mlnotebook.github.io/post/CNN1/，如图：

(3) padding-零填充：在图片像素的最外层加上若干层0值，若一层，记做p =1。

零填充有两种形式：

• Valid :不填充，也就是最终大小为
• Same：输出大小与原图大小一致

池化层(Pooling)

(1) 目的：降低了后续网络层的输入维度，缩减模型大小，提高计算速度。

(2) 计算规则：

• 最大池化：Max Pooling,取窗口内的最大值作为输出
• 平均池化：Avg Pooling,取窗口内的所有值的均值作为输出

全连接层

卷积层+激活层+池化层可以看成是CNN的特征学习/特征提取层，而学习到的特征（Feature Map）最终应用于模型任务（分类、回归）：

• 先对所有 Feature Map 进行扁平化（flatten, 即 reshape 成 1 x N 向量）
• 再接一个或多个全连接层，进行模型学习

基于Keras实现CNN

输入图像数据集shape为32*32*3，最终要将图片分为100个类别

模型编写

两层卷积层+两个神经网络层

网络设计：

第一层</