卷积CNN学习笔记

研一上第二周学习汇报

1、继续阅读基于深度学习的电厂设备运行参数异常检测，看到了理论算法部分，公式很长，很难理解。

2、学习了常见的一些异常检测算法的概念，没有涉及算法。

3、学习了卷积神经网络的整体结构。

4、这周开始上课，基本上是上午满课，下午和晚上没课。周五六七参加了中国建筑工业化融合发展产业峰会，听了很多汇报，下周一整理一下和同组的讨论一下，总共四个会场，我们五个去的不同的地方

一、常见的异常检测方法

1、统计检验方法。

假设正常的数据分布遵循特定的分布形式，比如高斯分布。异常数据就是离正常点远的位置。比如在下面的图中，u±3o之外的就是异常点

2、基于偏差的方法

当把某个点删除，集合的方差变化较大时，就认为他是异常数据。

3、基于距离的方法

假设异常点在位置上比较稀疏，而正常点比较集中

4、基于密度的方法

下图中，假设右上是异常点，用基于距离的方法就判断不出来，需要基于密度的方法。

5、使用孤立森林算法检测异常账户

二、深度学习之卷积神经网络

B站视频链接。
同济子豪兄
详细介绍

卷积神经网络只能处理图片或者二维类型的数据，不能处理表格，因为交换表格两列不改变意思，但图片会改变意思。

1、输入就是二维向量

下图中上面三个就是卷积核，用这三个卷积核和下面的图片对应的位置做运算。就能提取出来图片的特征。padding就是在外面一圈补0，防止边缘特征被忽略。卷积这个操作把大的原始图像，保留特征，变成小的特征图。有多少个卷积核就有多少特征图。
单通道卷积可视化
多通道卷积可视化
卷积网络中各层的作用

2、池化也叫下采样

在保留原图特征的前提下，压缩体积，减少参数量，防止过拟合。如果卷积核很多，那么卷积完得到的特征图维度就会很高，不利于操作，因此引入池化，在特征图中画小框，从每一个小框里选一个代表，比如最大池化和平均池化，就可以压缩特征图的体积。

3、激活函数

ReLU，x小于0的时候都是0，大于0的时候就是x。把负数全部变成0.

4、全连接层

跟每一个神经元都链接。 每一个值都是有权重的。

可以微调的参数，卷积核长什么样，全连接层每个值的权重。根据损失函数来确定反向传播。

5、梯度下降

到达最低点的时候，损失函数最小，就说明模型迭代完成。

超参数，卷积核的尺寸，数目，卷积核中的数字，池化的步长，全连接层神经元的数量。

---