CNN 卷积神经网络笔记（一）- 基本介绍

CNN 最擅长的是处理图片。

图像由像素组成，每个像素又有颜色构成。比如，一张像素1000x1000x3的RGB图片，若用传统的神经网络（只有全连层），会有3百万的参数。这样处理起来，会非常费资源，又耗时，效率很低。

而 CNN 就是将问题‘复杂简单化’，通过卷积降低数据维度，再作全连层处理。在大部分场景下，降维并不会影响结果。比如，1000像素的图片缩小成200像素，并不影响肉眼认出来图片中是一只猫还是一只狗，机器也是如此。

保留图像特征

1. 传统的图像数字化：

2. 若有圆形是1，没有圆形是0，那么圆形的位置不同就会产生完全不同的数据表达。但是从视觉的角度来看，图像的内容（本质）并没有发生变化，只是位置发生了变化。所以当我们移动图像中的物体，用传统的方式的得出来的参数会差异很大！这是不符合图像处理的要求的。
3. CNN 解决了这个问题，用类似视觉的方式保留了图像的特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。

灵感来源

1. 人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素 Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。下面是人脑进行人脸识别的一个示例：

2. 对于不同的物体，人类的视觉的逐层分级：

3. 我们可以看到，在最底层特征基本上是类似的，就是各种边缘。越往上，越能提取出此类物体的一些特征（轮子、眼睛、躯干等）。到最上层，不同的高级特征最终组合成相应的图像，从而能够让人类准确的区分不同的物体。那么我们可以很自然的想到：可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？这就是 CNN 的灵感来源。

基本构成

典型的 CNN 有3个部分构成：

• 卷积层
  负责提取图像局部特征
• 池化层
  用来大幅降低参数量级，以防过拟合
• 全连层
  类似传统神经网络，用于输出结果

卷积层

1. 卷积的计算过程（下面例子每次滑动1个）：
   
2. 这个过程相当于用一个过滤器（卷积核）来过滤图像的各个小区域，然后提取小区域的特征值。
3. 具体应用中，有很多个卷积核（每个卷积核代表了一种图像模式）。图像的某个小区域与卷积核的卷积结果值越大，说明该小区域越接近卷积核的形状。

池化层

1. 计算过程如下（下面例子每次滑动10个）：

2. 同样是作卷积，只不过滑动步数或卷积核大小会比在卷积层的大。而卷积层的卷积核太小，会导致卷积后的图像依然很大，因此在池化后，图像的数据维度会大大降低。

全连层

1. 图示：

2. 经过卷积层和池化层降维的数据，进入全连层，即进入到传统的神经网络，输出结果。

实际应用

• 图像分类、检索

  典型场景：图像检索…

• 目标定位检测

  典型场景：自动驾驶、安防、医疗…

• 目标分割

  典型场景：美图秀秀、视频后期加工、图像生成…

• 人脸识别

  典型场景：安防、电影、图像视频生成、游戏…