(深度学习)卷积神经网络（CNN）

一、卷积神经网络和传统多层神经网络区别
1.传统多层神经网络区别：没有理论指出多少层（层数没有作用）
2.卷积网络：更加有效的特征学习部分，加深网络得以有效
3.深度学习：卷积神经网络、循环神经网络，新的结构以及一些新的方法（比如新的激活函数Relu等）
卷积神经网络主要应用于图像识别，还可以图像目标检测，常用模型如下：
Yolo：GoogleNet+ bounding boxes
SSD：VGG + region proposals
二、卷积神经网络的原理

卷积网络的三个结构：
神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer，又叫下采样层)以及激活层。每一层的作用

卷积层：通过在原始图像上平移来提取特征
激活层：增加非线性分割能力
池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）

如果是分类任务，还会加上一个全连接层(FC)也就是最后的输出层，进行损失计算分类，如果不是分类任务就不需要加。
三、卷积层：
特点：提取特征的功能更加强大
卷积层（Convolutional layer），卷积神经网络中每层卷积层由若干卷积单元(卷积核)组成。
蓝色窗口为一个卷积核

1，卷积核的四大要素：
卷积核(Filter)的四大要素
（1）卷积核个数
（2）卷积核大小（观察窗口的大小）：一般采用11、33、55（这些大小是经过研究人员证明比较好的效果）会进行特征加权运算（权重和偏置）
（3）卷积核步长（根据步长移动把整张图片观察完整），通常步长采用一个像素（采用一个像素的原因防止步长过大会过滤一些特征，步长越大观察就越粗糙）
（4）卷积核零填充大小：零填充就是在图片像素外围填充一圈值为0的像素

1）为什么进行零填充？
(1)因为设定的卷积核根据步长移动可能会损失图片的像素信息（可能没观察到），所以外围添加一圈值为0的像素使得大于图像，这样就避