CNN模型

CNN

卷积网络

输入层：是一张像素图片 h高 * w宽 * c  c是通道数，rgb是3通道

把图像分割，每一块

卷积层Conv：提取特征，发现边缘、方向等信息

卷积核：每块像素 和卷积核 相乘 获取边缘信息  一般选择1x1 3x3 5x5

卷积核当中的参数0 1，是自己设置的，根据输出的结果，有差异，然后更新参数

可以通过padding用0填充 保证在卷积过程中特征图大小不变

stride步长 增大 特征图会变小

多通道：

卷积核需要设置3x3x3

filter卷积核

输出特征图的大小

卷积核的创建代码

Pytorch

import torch
import torch.nn as nn
import torch.nn.functional as F

# 定义一个卷积层
class ConvolutionalLayer(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size):
        super(ConvolutionalLayer, self).__init__()
        # 创建卷积核
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size)

    def forward(self, x):
        # 应用卷积操作
        x = self.conv(x)
        return x

# 创建一个实例
conv_layer = ConvolutionalLayer(in_channels=3, out_channels=32, kernel_size=3)

# 打印卷积层的参数
print(conv_layer)

tensorflow

strides=(1,1)表示x和y方向的步长为1

same会补零，valid会直接换下一行  padding会在原图像周围填充

卷积核的数量（输出通道数），(3, 3)是卷积核的大小，activation='relu'指定了激活函数，input_shape=(None, None, 3)指定了输入数据的形状，其中None, None代表高度和宽度可以是任意值，3代表输入数据的通道数

import tensorflow as tf

# 创建一个3x3的卷积层
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(None, None, 3))
])

# 打印模型摘要
model.summary()

池化层：压缩特征，大幅降低参数量级（降维、防止过拟合），对特征图进行下采样

池化层代码

最大池化： 4个2x2的窗口  选每个窗口中的最大值

pool_size池化窗口的大小

平均池化：

全连接层：输出想要的结果，经过卷积层的特征提取和池化层的降维后，将特征图转化reshape成一维向量，送到全连接层进行分类或回归操作

全连接层代码

使用tf.keras.dense实现

激活函数RELU：通过函数把特征保留并映射出来（保留特征，去除一些数据中是的冗余），这是神经网络能解决非线性问题关键。激活函数还可以构建稀疏矩阵，也就是稀疏性，这个特性可以去除数据中的冗余，最大可能保留数据的特征，也就是大多数为0的稀疏矩阵来表示（这个特性主要是对于Relu）

CNN基础——激活函数_cnn激活函数-CSDN博客

BP算法：信号的向前传播和误差的反向传播

参数量：

卷积层：

参数量 = (卷积核宽 卷积核高 输入通道数 + 1) 输出通道数

全连接层：

参数量 = (输入神经元数目 + 1) 输出神经元数目

LeNet-5