【深度学习】如何通俗理解图像识别CNN中的卷积与池化？

一、卷积

1.为什么要引入卷积层？

• 因为全连接层输入图像时，会将图像的3维数据拉平为1维数据，而图像是3维形状，这个形状中可能包含重要的空间信息。比如，空间上邻近的像素为相似的值、RGB的各个通道之间分别有密切的关联性、相距较远的像素之间没有什么关联等，所以使用全连接层可能会忽略掉一些空间信息，进而造出最后的预测结果不准确。
• 卷积层则可以保持形状不变。当输入数据是图像时，卷积层会以3维数据的形式接收输入数据，并同样以3维数据的形式输出至下一层。

2.卷积层的功能
卷积层的功能是提取图像的底层特征。
3.卷积的过程
静态图
动态图

对于输入的图像，卷积层按3维数据形式存放，输入数据与卷积核对应位置相乘再相加，从上到下从左到右滑动，得到Feature Map(特征映射或特征图)。
4.补充知识
填充（Padding）:在进行卷积层的处理之前，有时要向输入数据的周围填入固定的数据（一般为0）。
填充的好处：

• 防止边缘的特征被忽略
• 可以调整输出大小

感受野：CNN中的感受野与生物学上的感受野不同，生物学上的感受野指的是听觉、视觉等神经系统中一些神经元的特性，即神经元只接受其所支配的刺激区域内的信号；CNN中的感受野通常指卷积核划过的区域。

二、池化

1.池化的功能
池化层的功能是防止过拟合，减小数据维度，为CNN带来平移不变性。
2.池化的方式
（1）最大池化

（2）平均池化

3.卷积神经网络的结构

与传统的神经网络相比，卷积神经网络（CNN）多了两个层，即卷积层（Convolutional Layer）和池化层（Pooling Layer）。
各层的功能如下：

• 卷积层：提取图像的底层特征。
• 池化层：防止过拟合，减小数据维度，为CNN带来平移不变性。
• 全连接层：汇总之前卷积层和池化层最终得到的图像信息，可以通过两种方式输出，得到最后的预测结果。一是用softmax函数,一般用于多分类问题，最终呈现形式是各个可能性的概率大小，二是用sigmoid函数，输出分类结果，一般用于二分类问题。