5.1卷积神经网络

1.卷积神经网络

• 降低对图像预处理数据的要求：cnn可以直接使用图像的原始数据作为输入，不必先使用sift算法提取特征。

• 强泛化性：cnn对缩放，平移，旋转等畸变具有很强的泛化性。

• 卷积的权值共享结构：大幅度减少神经网络的参数量，一方面防止过拟合一方面降低模型复杂度。
  2.卷积操作：卷积神经网络中，卷积层直接接受图像输入，每一个卷积操作只处理一小块图像，在传入到后面的网络中，每一层卷积都会提取图像中最有效的特征。

• 图像通过多个不同的卷积核的滤波，并加上偏置，提取出局部特征，每一个卷积核会映射出一个新的二维图像

• 卷积核的滤波结果要进行非线性激活函数的处理

• 激活函数处理后要进行池化，保留最显著的特征
  3.卷积核的权值共享：
  一个卷积层可以有多个不同的卷积核；
  每一个卷积核对应一个滤波后映射出的新图像，同一个新图像的每一个像素都来自完全相同的卷积核；
  参数量只跟卷积核的大小有关；
  降低模型复杂度，降低计算量，减轻过拟合；
  4.每一个卷积核经过滤波以后得到的图像就是一类特征的映射，即一个feature map；
  5.卷积的好处：需要训练的权值数量只和卷积核的大小和数量有关，可以使用很少的参数量处理任意大小的图片；
  权值数量大幅下降，隐含节点数量（只与卷积步长有关）没有下降；
  6.局部连接： 降低模型复杂度，降低计算量，减轻过拟合；
  权值共享： 降低模型复杂度，降低计算量，减轻过拟合；对平移不敏感；
  降采样：降低了输出参数量，增强了模型的泛化能力；