机器学习笔记（四）卷积神经网络CNN

1.前言：

卷积神经网络在计算视觉领域的表现十分出色,与普通的BP神经网络一样，CNN同样由神经元组成。其实卷积神经网络是卷积+神经网络，基本上由三部分组成：卷积层，pooling层，全连接层。

2.CNN：卷积层

卷积是一个信号领域的概念，我们这里提到的卷积是一个图像领域的概念。卷积的操作很是简单就是将一个小矩阵和大矩阵上某一点的邻域（大小与小矩阵相同）的对应位置的加权平均和，将这个和放到新的矩阵去。我们将小矩阵称为卷积核

卷积层实际上是一个特征提取的过程，卷积层由一层可以卷积操作的，卷积核可学习的神经元组成。这些神经元将卷积计算进行完毕之后，将所有的结果放到一起。
比如12个原来的图像是28x28x3，使用5x5x3的神经元，计算后得到了12个结果，这个结果就变成了6x6x12了。
一般来说在卷积层的后边还有一个relu层，用来将卷积后得到的图像结果进行整合，将结果变成线性的。

2.CNN：polling layer：

polling层也叫池化层，其实就是降采样层……，可以是最大值polling，或者是平均值polling

3.CNN：全连接层：

其实就是简单的BP神经网络，和前面介绍的神经网络没有什么区别，最后输出的是分类或者其他的结果。

一般来说，一个卷积神经网络的模型是N个卷积层加池化层，最后接上全连接层。当然不同的层间结构效果不一定会相同。现在比较流行的一些卷积神经网络比如VGGnet，googlenet，resnet，AlexNet都是不同的层间结构。