笔记：ML-LHY-10: Convolutional Neural Network

这节课开始讲深度学习中重要的网络：
卷积神经网络(Convolutional Neural Network)CNN。
理解卷积操作在神经网络中的作用，理解CNN在做什么，以及CNN的可视化。
pdf 视频
补充: GNN(Graph Neural Network)

首先回顾一下及深度学习(CNN)中的卷积

为什么要用CNN？

局部检测

卷积核有大小之分，对应感受视野，而一个卷积核一般远远小于整张图片，所以卷积后的到视野也是比较小的。而检测一个物体的特征，比如鸟有鸟嘴，其实只用局部检测就行。注意卷积是滑动窗口操作，所以会遍历整张图（只是每次的窗口比较小）,上图就会识别到鸟嘴、鸟爪、翅膀等多个局部特征。那识别局部特征往往还不够，要从全局的视野来看是什么东西，就是下面要说的下采样。

下采样(池化)

我们知道SIFT特征有个很关键的步骤解决尺度不变性，那就是高斯金字塔。其实就是在不同分辨率下模拟人类由进到远，有细到粗看物体。下采样(池化)的意义也就是这样，比如上图，下采样后我们依然能够分辨是鸟，因为我们可以根据轮廓看出。轮廓就是一种粗特征。还有关键一点，下采样减低分辨率，后面全连接参数也就相应减少。

模式共享

这个理解可能没那么直观，卷积核就是一个对应一个滤波器，不同的滤波器可以提取不同类型的特征，比如aplacian、soble算子。前面也提到，卷积是滑动窗口操作，就意味着一个卷积核会在多个区域应用，那么一个模式可以应用在多个区域，也就减少了总模式的参数。换句话说，把卷积核看做一组参数，既然可以共用，那当然减少了总的需要的参数。

小结

• 卷积的窗口提现视野局部性(细特征)
• 卷积的滑动操作提现参数共享性
• **下采样(池化)**提现视野全局性(粗特征)

上图是CNN的总框架

输入 -> 卷积 -> 池化 -> 卷积 -> 池化 … 全连接… -> softmax -> 输出

tip: 输出层神经元个数和类别数一样

卷积池化操作

卷积

卷积就是图像处理中的卷积，这里就不重复了，关键是滤波器(就是卷积核一个意思，卷积对应滤波)的通道数和输入的通道数一样，而输出的通道数取决于滤波器的数目。

例如：输入时RGB图像3通道 滤波器也是3通道 那么输出就是1通道
而我们想用多个滤波器提取多种特征，比如用2个滤波器每个滤波器都是3通道，那么输出就是2通道。卷积还涉及步长、padding大小，具体看这个笔记

池化

一般指最大池化 max pooling
就是在给定窗口内取最大的值

上图池化完就是：
3 0
3 1
更重要的是，分辨率简报，原来4个值，池化只保留了一个值。其实可以把池化看做特殊的卷积操作，步长是和卷积核大小一样，padding为0。

CNN学习到了什么？

现在训练完一个model后，里面的参数都是固定的，在卷积层的最后一层，如果输入时1 8 28 * 28 经过2层卷积层和池化后就是 50 *11 * 11：

最后一层是有50个滤波器，我们取第k个滤波器的输出结果为$a^k$：

$$a^k=\sum _{i=1}^{11}\sum _{j=1}^{11}{a}_{ij}^k$$

现在要找是怎么样的输入，使得这个滤波器activation。其实就是找一个输入x使得$a^k$最大。步骤和知道输入求参数一样，这里知道参数当然可以用梯度下降方法求输入使得$a^k$最大。

选其中12个滤波器，对应的最大化$a^k$的输入：

可以看到每个filter对应特征同，比如水平，催着、斜条纹，可以激活对应的filter参数。而在一张图中，可以看到条纹是布满整张图的，提现CNN的参数共享性。

那在全连接层会怎么样呢？由于flatten后，全连接层的神经元是和输入整张图是相关的：

取得神经元输出结果为$a_j$，同样求一个输入图片，使得$a_j$最大：

上图每一张图对应一个神经元输出$a_j$，可以看到每个神经元想要激活的图片，这不是一个完整的数字，只是这个神经元想要激活的pattern。

继续往后，到输出层$y_i$

是不是使得$y_i$最大的就对应的数字呢？
结果却是这样：
这明显就不是人类手写的数字，右边是加了L1正则化约束的结果(避免整张图都是笔画)，可以看到部分关联。

Deep Dream

现在不是无中生有，而是在原图基础上更新图像，这样就会在保留原图的基础上，朝网络想识别的方向变换(因为要最大化上面提到的目标函数)。如果想让效果更明显，还可以强化参数，大的变得更大，小的变得更小。

风格迁移 Deep Style

精神就是找一张图，同时像content图$\vec{p}$和style图$\vec{a}$，求$L_{\text{content}}(\vec{p},\vec{x})$和$L_{\text{style}}(\vec{a},\vec{x})$

如下：
$$L_{\text{total}}(\vec{p},\vec{a},\vec{x})=\alpha L_{\text{content}}(\vec{p},\vec{x})+\beta L_{\text{style}}(\vec{a},\vec{x})$$

而怎么找在上面说过了，用梯度下降法。

内容损失$L_{\text{content}}(\vec{p},\vec{x},l)$的定义是：
$$L_{\text{content}}(\vec{p},\vec{x},l)=\frac{1}{2}\sum _{i,j}{\left(F_{ij}^l-P_{ij}^l\right)}^2$$

还原图像的方法是梯度下降法。设原始图像为𝑝⃗ ，期望还原的图像为𝑥⃗ （即自动生成的图像）。使用的卷积是第𝑙层，原始图像𝑝⃗ 在第𝑙层的卷积特征为$P_{ij}^l$。𝑖表示卷积的第𝑖个通道，𝑗表示卷积的第𝑗个位置。通常卷积的特征是三维的，三维坐标分别对应（高、宽、通道）。此处不考虑具体的高和宽，只考虑位置𝑗，相当于把卷积“压扁”了。比如一个10x10x32的卷积特征，对应1⩽𝑖⩽32，1⩽𝑗⩽100。对于生成图像𝑥⃗ ，同样定义它在𝑙层的卷积特征为$F_{ij}^l$。

风格损失$L_{style}(\vec{p},\vec{x},l)$的定义应用了Gram矩阵，这里不在展开。参考这篇博客:图像风格迁移原理

$$L_{style}(\vec{p},\vec{x},l)=\frac{1}{4N_l^2{M}_l^2}\sum _{i,j}{\left(A_{ij}^l-G_{ij}^l\right)}^2$$

应用例子

Alpha Go

也是使用了CNN，为什么？

• 在 5 * 5的范围内就知道要怎么下，不需要看整个棋盘
• 位置可以不同
• 需要注意的是，Alpha Go用的CNN没有max pooling，因为围棋的特性不需要下采样

Speech

滤波器移动是在frequency维度上，因为不同频率的组合就可以表示不同的词，所以在频率上检测是有效的。在时间上检测词就不是那么好，有可能存在同一个词在用部分频率是一样的。

Text

文本语义识别任务滤波器就需要在时间纬度上移动，因为不同的word embedding就可以表示不同的语义，所以在时间纬度上检测是有效的。在embedding维上检测就可能完全检测不出语义。

以上参考李宏毅老师视频和ppt，仅作为学习笔记交流使用