机器学习 —— 卷积神经网络

一. 问题引入
Q： 我们是怎么判断见到的一个人，是认识还是不认识？
1）我们把对象的轮廓提取出来，与我们脑子里的“人脸数据库”进行对比
2）如果有相似概率比较高的，我们就进行下一步处理；如果没有，这个人我们大概率就不去看了
3）抽取对象的局部特征，与我们脑子里某个人的局部特征进行对比
4）得出结论：
（1）如果相似度接近100%，那我们断定，就是这个人
（2）如果相似度较高，根据新的特征，那我们推测，这哥们可能是被揍了，或者化妆了
（3）如果相似度一般，那我们说，这人和“某某某”长得真像啊
（4）如果相似度不高，那这人我们就没见过

Q： 机器如何模拟人的行为进行识别？
1）计算机会把每一幅画分成一个小格一个小格的像素块
，每个像素块用RGB的色彩模式表示
（RGB色彩模式：
RGB色彩模式是工业界的一种颜色标准，是通过对红( R)绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一
）

2） 每个像素块用R，G，B 三种色彩模式表示，每一个色彩就是一种通道，当三通道的颜色叠加之后就是我们看到的图片颜色
eg：

=> 单通道

=> RGB某一个通道空白

3） 轮廓特征的检测
常用的方法是： 边缘检测
eg：对人：看这个人的脸型，五官的比例，头发的长短等其他特征
局部特征： 比如说眼睛，鼻子，嘴，可以通过将图像的某一个部分分裂出来，得到一个个子图，那么这些就称作是局部特征

计算机处理图像识别的思路：
1.） 轮廓和局部特征的抽取：
（1）通过每个像素块的RGB数据的抽取，得出每个像素块的值
（2）在某一个范围内（eg： 嘴，眼睛，鼻子），抽取所有，或者一部分像素块。得到某个范围内的图像
2） 轮廓特征和局部特征的对比： 通过和样本库进行对比。确定局部是不是类似的
3） 把所有的局部特征对比的结果进行综合，得出最后的结果

神经网络和卷积神经网络的联系：
神经网络是如何对比的？
神经网络是在不停的迭代中，特征不强的神经元的权重值会逐渐减小。通过组合局部特征，得到全局图像

二. 卷积神经网络

1. 卷积运算
   运算规则： 将filter（卷积核） 铺到原矩阵中，然后将filter（卷积核） 与原矩阵中对应的数值相乘再相加
   eg：
   
   =>

=>

=>

卷积运算的缺点：
1） 每次做卷积的时候，图像都会缩小
2） 在角落的像素点只会被用一次，而中间的像素点则会使用到多次，这也就是说回丢失很多图像边缘的信息

计算： 计算原矩阵经过卷积核的处理过后的矩阵的大小：
（n - f + 1） x （n - f + 1）
n： 原卷积矩阵的阶数
f ： 卷积核阶数

2. 灰度图
   灰度图： Gray Scale Image 或是Grey Scale Image，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶，数值越大，颜色越浅越亮，
   

=> 单通道

RGB转灰度图公式： Gray = R0.299 + G0.587 + B*0.114

3. 边缘检测
   边缘检测分为： 水平边缘检测和垂直边缘检测
   eg：
   

eg：

应对卷积运算的缺点，我们可以在做卷积运算之前，对图像进行填充

我们可以在原矩阵外面加上一层padding：

(n + 2p – f + 1) x (n + 2p – f + 1)
n: 原卷积矩阵的阶数
f：卷积核阶数
p: Padding层数

参数： padding ：
1）Vaild： 不填充
(n x n) * (f x f) = (n – f + 1) * (n – f + 1)

2） Same： 填充（输入的大小和输出的大小相同）
(n x n) * (f x f) = (n + 2p – f + 1) * (n + 2p – f + 1)
p = (f -1) /2

参数： Stride ：步长
通俗来说是一步一步走，还是一次走几步
公式： ((n + 2p – f)/s + 1) x (n + 2p – f)/s + 1)
注：
如果商不为0 ，那么就向下取整
如果卷积核移动到了外面，那么直接跳过