神经网络模型底层原理与实现3—为什么要用卷积神经网络，整体架构如何设计

全连接层参数过多，考虑有没有办法减少参数量

（以图像处理为例）

1.局部性：每层神经网络作用是学习图像的一部分特征，因此不需要看整张图片，由此得感受野（比较常用的是3*3的），在计算过程中给每格一个学习的权重，对应相乘后相加得特征值

关于步幅和边缘轮廓设定：在实际操作中，一般设定平移的步幅为1或2（以保证每次的感受野有一定重合，不会错过某些信息）。同时，为了保证边缘信息不会被错过，因此一般会在图像外围补上一圈，保证感受野能走遍所有的格子

2.平移不变性：

同一个特征可能出现在图片的不同位置，因此可以做参数共享（也就是让这个感受野扫过图片进行计算）

3.图片采样之后属性不会变化—引出了池化层（常用的是最大池化层，即在每格里取最大值），近年来运算能力越来越强，因此不太用池化了

4.这么做会不会只能提取到局部的信息—不会，因为每一层都能提取到上一层的特征，越上面的层就越能提取到全局的特征

5.最终整体的卷积神经网络架构如图：

在经历若干卷积、池化层后，最终还要经过flatten层，把图片拍扁成一个一行的向量，再经过softmax层把它分类

 

卷积神经网络的应用：下围棋

把棋盘看成19*19的向量，黑白空分别表示为-1、1、 0，算出下在哪个地方是最好的（概率最大的）

适用性：1.下围棋常常只要看落子处周围小范围内的情况即可

2.同一个落子的模式可能会同时出现在棋盘的不同地方

 

3.29日补充知识点:关于多输入通道以及多输出通道的卷积：

多输入通道：输入经过的卷积核只有一个，但卷积核有很多通道（层），每层和输入对应做卷积，最终的输出只有一层

多输出通道：有多个卷积核，每个卷积核输出一个通道层，每个输出通道可以识别特定模式