深度学习之卷积神经网络

深度学习之卷积神经网络

---

卷积神经网络模型结构图

输入层（Input layer)
卷积层（convolution layer)
池化层（pooling layer)
输出层（全连接层+Softmax layer)

• 为什么要有卷积层？

卷积不需要展开，保留了三维的结构，但是计算的时候其实也是展开计算的

• 全连接层的计算方式？

全连接层是展开计算，y=wx+b

一、卷积层

1、提取特征。压缩提纯。
2、卷积层级之间的神经元是局部连接和权值共享，这样大大减少了(w,b)的数量，加快了训练。

卷积核映射到卷积层的过程：

上图中中间的这一层是卷积核，就是一个w的矩阵。最左边的可以看作是一个输入层，卷积核与其所覆盖的区域的数进行点积，将结果映射到卷积层。
例如上图的例子：
卷积核是 ：
-1，-2，-1
0， 0， 0
1， 2， 1
卷积核覆盖的区域的数是：
0， 0， 75
0， 75， 80
0， 75， 80
所以点积（对应位置相乘再相加）后的结果为155

局部连接和权值共享

局部连接：不是全连接
权值共享：如下图，只用了三个权值，这样就大大减少了我们的计算量。

二、池化层

池化层可以理解为对卷积层输出的特征图进一步特征抽样，通常有两种。Max pooling和Average pooling.
如下图：

三、Softmax层

softmax层每一个节点都有一个激活函数，可以理解为每个节点输出的一个概率，所有节点概率和为1。
这样输出的最大概率对应的标签就是这张待分类图所对应的标签。

四、超参

padding:补充边界，在边界补一圈0或1.

1、为了保持边界信息，倘若不填充，边界信息被卷积核扫描的次数远比不上中间信息的扫描次数，这样就降低了边界信息的参考价值了。
2、输入图片的尺寸可能参差不齐，通过padding来使图片的尺寸一致。

Stride 步幅

定义：卷积核每次移动的大小，默认为1。步幅越大，相对越粗糙。