学习笔记2--卷积网络

卷积神经网络的输入首先通过卷积层获取字符图像的局部特征，通过池化层赛选特征，然后将所有特征转换为一维特征向量，最终通过若干个全连接层完成分类

1.卷积神经网络与传统网络的区别：卷积神经网络直接对图像进行操作，不需要先把图像转化为像素点。

2.整体架构

2.1输入层

2.2卷积层（提取特征）

因为每一部分的特征需求是不一样的，因此需要对输入数据进行分割为多个小区域，把32*32*3的图像，分割为多个5*5*3的图像，经过卷积操作每个小区域的特征图（绿色图）

2.2.1图像颜色通道

 对B、G、R分别单独做卷积运算，之后把卷积完的特征图结果加在一起就得到了卷积层的结果

特征图个数：一个图像因卷积核f的不同，可以有多个特征图

 堆叠的卷积层。我们在上一层卷积出的特征图的结果上再次卷积

 

 卷积层涉及的参数：滑动窗口步长，卷积核尺寸，边缘填充，卷积核个数

步长越小，提取的特征越丰富，效率较低,常用的步长为1

 

卷积核尺寸。3*3卷积核（常用），4*4卷积核，5*5卷积核等

边缘填充。在对图像进行卷积操作的时候，边界上的点相对于中间的点其发挥作用的次数要少很多，边界填充能够一定程度上弥补了边界信息缺失的问题，使边界上的像素点利用率增高，使卷积网络能够更公平的对待边界上的特征。

卷积核个数。卷积核个数=特征图的个数

2.2.2特征图尺寸计算与参数共享

卷积结果的长度：，卷积结果的宽度

 其中W1，H1表示输入的宽度、长度；W2，H2表示输出特征图的宽度、长度；F表示卷积核的长和宽的大小；S表示滑动窗口的步长；P表示边界填充（加几圈0）。

 参数共享：同一个filter对图像中的每一个位置都是采用相同的卷积核

2.3池化层（下采样，压缩特征），在得到的原始特征图上进行筛选

2.4全连接层（主要作用是进行特征的分类。经过池化层操作后得到的特征图为32*32*10，为了进行特征匹配任务需要把32*32*10的特征结果，转化成二维向量，二维向量的大小为（1024,5）32*32*10=1024数字相乘，其中5为需要分类的5个类别，因此在池化层和全连接层之间需要有一个拉长的动作，使其转化为二维向量）

特征图的变化如下：