CNN(卷积神经网络)学习笔记

CNN的概念

卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数。

CNN的结构层次

基础的CNN由卷积(convolution), 激活(activation), and 池化(pooling)三种结构组成。CNN输出的结果是每幅图像的特定特征空间

卷积层：
首先，介绍卷积的定义。卷积是通过两个函数f 和g 生成第三个函数的一种数学算子。在这里就是指的卷积核和输入项进行运算得到新的输出项。

卷积结果计算公式

 

激活映射（特征映射）：如果输入的是一个32×32×3的像素值数组，过滤器（有时候也被称为神经元（neuron）或核（kernel））作用于感受野（receptive field），过滤器是一个数组（其中的元素被称为权重或参数），重点在于过滤器的深度必须与输入内容的深度相同（这样才能确保可以进行数学运算），因此过滤器大小为 5 x 5 x 3。过滤器首先在图像左上角，向右以每次一个像素滑动，每次滑动前过滤器中的值会与图像中的原始像素值相乘（又称为计算点积）。这些乘积被加在一起得到一个数。由于这种过滤器能得到28×28个结果，因此结果可以表示为一个28×28的数组。

当我们使用两个而不是一个 5 x 5 x 3 的过滤器时，输出总量将会变成 28 x 28 x 2。采用的过滤器越多，空间维度（ spatial dimensions）保留得也就越好。每个卷积核检验的特征不同。
原文链接：https://blog.csdn.net/Allmyg/article/details/120100667

池化层

池化(pooling），是一种降采样操作(subsampling)，主要目标是降低feature maps的特征空间，或者可以认为是降低feature maps的分辨率。因为feature map参数太多，而图像细节不利于高层特征的抽取。

全连接层
全连接层相当于一个“分类器”，起到对整个图像进行一个特征提取的作用
全连接层和卷积层可以相互转换：

对于任意一个卷积层，要把它变成全连接层只需要把权重变成一个巨大的矩阵，其中大部分都是0 除了一些特定区块，而且好多区块的权值还相同
相反地，对于任何一个全连接层也可以变为卷积层。比如，一个K=4096的全连接层,输入数据体的尺寸是7∗7∗512,这个全连接层可以被等效地看做一个F=7,P=0,S=1,K=4096的卷积层。换言之，我们把 filter size 正好设置为整个输入层大小

特征图

在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个特征图。在输入层，如果是灰度图片，那就只有一个特征图；如果是彩色图片，一般就是3个特征图（红绿蓝）。

应用领域

卷积神经网络为图像而生，但应用不限于图像。在图像处理任务上，卷积神经网络可以用来识别位移、缩放及物体形态扭曲的二维图形。一方面，由于其网络模型中的特征是通过训练数据集进行图像特征学习，从而避免了显式地特征抽取；另一方面，由于图像上同一特征映射面上的神经元权值相同，所以卷积神经网络模型可以并行训练，极大地提高神经网络的训练时长。此外，与神经元彼此相连的神经网络(如传统的人工神经网络)相比，卷积神经网络模型的组织方式特殊，其结构模型更易于理解和分析。

 

原文链接：https://blog.csdn.net/weixin_54446335/article/details/120041578

原文链接：https://blog.csdn.net/weixin_54446335/article/details/120041578