卷积神经网络学习总结

卷积神经网络学习总结

网络模型背景

    为了有效对人脸特征进行准确分类识别，之前已经得到效果的算法一般是基于人脸几何特征的分析、模式匹配、图像匹配以及根据面部拓扑结构、神经网络模型训练的方法进行识别。利用卷积神经网络的方法，可以有效的解决神经网络模型只能训练少量样本数据的缺点。

网络结构与理解

• 数据的预处理
  主要作用是将整个图像数据化为统一格式的、特征信息规范的数据。主要操作为去均值、归一化。
• 卷积层
  主要作用是提取特征信息，并将特征信息映射至更高维度。一般设置多个卷积核（33或55的参数矩阵），让卷积核在一定步距下以滑动的方式与图像的每一部分做内积，并最终将内积后的值取和后加上偏置b。其中深度即是神经元的数量、卷积核的数量，每个卷积核代表一种纹理特征的提取方法，不同的卷积核只关注其特有的特征信息。在卷积核滑动的过程中为了使整个过程正常进行，会采用在原图像矩阵外再加一层填充值的方法。再者，为了防止滑动过程中某些边缘值结果不平滑，会使得滑动窗口在滑动前后有一定重叠的部分。
• 池化层
  作用是将整个卷积后的数据降维，相当于图像压缩，图像缩小，可以去除整个图像中很多冗余特征信息，降低计算量的同时防止过拟合。
• 激励函数
  将卷积层的输出结果做非线性变换，例如sigmoid函数是将整个输出结果映射到0-1之间。
• 全连接层
  即为传统神经网络层的连接方式。

相关问题理解

• 卷积神经网络模型提升训练样本量的方法理解
  要运用局部感受野与权值共享的方法。
  • 局部感受野的原理是指目标像素的特征信息与距离该像素点较近的像素值的关系较大，与距离该像素值较远的其他像素的关系较小，所以在进行计算时，只选取邻近像素值进行计算而摒弃之前每个权值更新时都将图像中所有像素信息全部纳入计算范畴的方法。最终保证在不影响训练结果的同时大大减少参数量。
  • 权值共享 在卷积层中每个神经元连接数据的权重固定，每个神经元只关注一中纹理特征。
• 池化操作的理解
  池化操作能够有效抑制过拟合的情况。一般可以理解为整个数据的压缩过程，将整张图片缩小的同时，图片的像素信息也随之减少，但是主要特征信息仍然不会被改变。