卷积神经网络 CNN

传统机器学习，是数学模型；

深度学习是仿生学，从人自身开始思考，人学习和计算机学习都是通过对比来学习的，数据要有差异学习才有意义，人的大脑会有一个完整的样子（特征，比如猫狗），这种完整的样子，先教给计算机认识（以往经验，先验概率模拟给计算机），也就是训练，然后就拿到特征。

训练过程中，会有正样本（包含目标的）和负样本（不包含目标的），正样本就是为了让神经网络认识目标，负样本就是返利，就是为了加强网络的泛化能力形成对比。

 

图片的特征信息的多少跟图片大小无关联。 比如一个小图片的猫的图，特征要比一个大图片的猫的耳朵多。

pytorch训练网络时，由于输入的是张量，每一批次图片形状必须要一致，不然无法计算，所以应该把图片设置成大小一致的，

 

CNN 下采样pooling, 因为特征图大，卷积计算量比较大，用下采样缩放（max pooling丢像素）降低特征图，最后用全连接把cnn的通道进行 数据融合。

 

网络输出的结果是受网络格式定义的

CNN卷积输入 NCHW  输出 NCHW(批次、channel、高、宽）

全连接输入 NV 输出NV

 

卷积有分组的概念， 池化和他最大区别是，卷积是相同位置相乘相加，池化是去取最大（最大池化）、或平均数

卷积的计算量(加法计算忽略）： 输出特征图的空间大小（H*W)  *  卷积核（K*K） *  图片通道数（N） *  输出的特征图数量（M）

标准卷积计算成本和以下因素成正比：

1.特征图空间大小，要注意并不是特征图越小越好，因为特征图小的话，那么卷积的步长要大，容易造成丢失信息特征数据提取不全   

2. 卷积核的大小， 卷积核越大感受视野越大，特征图越小，对应的信息越多，特征（像素）融合越强，这样就是早期的网络

卷积核越大越好，但是这样会计算量变大网络变慢。  后期，使用小卷积，卷多次，代替大卷积，卷一次，速度快了，网络深了

对数据提取越抽象

3.输入通道  4.输出通道数量

 

深度学习，深层网络，即网络层多。。

浅层网络提取信息简单，提取到轮廓信息，深层网络数据越抽象