卷积神经网络笔记

活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；

卷积神经网络(Convolutional
Neural Networks，CNN)，CNN可以有效的降低反馈神经网络(传统神经网络)的复杂性，常见的CNN结构有LeNet-5、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet等等，其中在LVSVRC2015冠军ResNet是AlexNet的20多倍，是VGGNet的8倍；从这些结构来讲CNN发展的一个方向就是层次的增加，通过这种方式可以利用增加的非线性得出目标函数的近似结构，同时得出更好的特征表达，但是这种方式导致了网络整体复杂性的增加，使网络更加难以优化，很容易过拟合。

CNN的应用主要是在图像分类和物品识别等应用场景应用比较多。

CNN主要分为以下层构成：
数据输入层：Input Layer 卷积计算层：CONV Layer
ReLU激励层：ReLU Layer 池化层：Pooling
Layer 全连接层：FC Layer

和神经网络/机器学习一样，需要对输入的数据需要进行预处理操作，需要进行预处理的主要原因是：
输入数据单位不一样，可能会导致神经网络收敛速度慢，训练时间长 数据范围大的输入在模式分类中的作用可能偏大，而数据范围小的作用就有可能偏小 由于神经网络中存在的激活函数是有值域限制的，因此需要将网络训练的目标数据映射到激活函数的值域 S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(X)，f(100)与f(5)只相差0.0067 。

常见3种数据预处理方式

去均值

将输入数据的各个维度中心化到0

归一化

将输入数据的各个维度的幅度归一化到同样的范围

PCA/白化

用PCA降维

白化是对数据的每个特征抽上的幅度归一化

人的大脑在识别图片的过程中，会由不同的皮质层处理不同方面的数据，比如：颜色、形状、光暗等，然后将不同皮质层的处理结果进行合并映射操作，得出最终的结果值，第一部分实质上是一个局部的观察结果，第二部分才是一个整体的结果合并。

卷积计算层：CONV Layer

局部关联：每个神经元看做一个filter

窗口(receptive field)滑动，filter对局部数据进行计算

相关概念

深度：depth

步长：stride

填充值：zero-padding

激励层建议

CNN尽量不要使用sigmoid，如果要使用，建议只在全连接层使用

首先使用RELU，因为迭代速度快，但是有可能效果不佳

如果使用RELU失效的情况下，考虑使用Leaky
ReLu或者Maxout，此时一般情况都可以解决啦

tanh激活函数在某些情况下有比较好的效果，但是应用场景比较少。

在连续的卷积层中间存在的就是池化层，主要功能是：通过逐步减小表征的空间尺寸来减小参数量和网络中的计算；池化层在每个特征图上独立操作。使用池化层可以压缩数据和参数的量，减小过拟合。

在池化层中，进行压缩减少特征数量的时候一般采用两种策略：

Max Pooling：最大池化，一般采用该方式

Average Pooling：平均池化