【一起入门NLP】中科院自然语言处理第4课-卷积神经网络CNN

专栏介绍：本栏目为 “2021秋季中国科学院大学胡玥老师的自然语言处理” 课程记录，不仅仅是课程笔记噢～ 如果感兴趣的话，就和我一起入门NLP吧🥰

概述

为什么说CNN适用于处理图像问题呢？

• 在全连接前馈神经网络中，如果第l 层有nl 个神经元，第l -1 层有n(l-1)个神经元，连接边有n(l) * n(l-1)个，也就是权重矩阵有n(l) * n(l-1)个参数。当n 都很大时，权重矩阵的参数非常多，训练的效率会非常低。
• 尤其对于图像问题，设一张图像的大小为 10 x 10 ，如果第一隐藏层有 1024 个神经元, 则该层全连接参数 102400，参数太多难以训练，而卷积神经网络就能很好地解决这个问题。

CNN结构

卷积网络是由卷积层、池化层、全连接层交叉堆叠而成。

卷积层

对卷积运算不熟悉的同学可以先参考本篇博客的最后一个部分

全连接与卷积连接参数对比：如：图像 10 x 10，设第一隐藏层神经元约为 1024

• 全连接：第一层参数为10X10X1024
• 卷积连接：如果用16个3x3的卷积核，第一层的参数为16x(8x8)=1024，其中8x8是每个卷积核输出的大小8=10-（3-1）
• 卷积连接：如果用13个2x2的卷积和，第一层的参数为13x(9x9)=1053，其中9x9是卷积核输出的大小10-(2-1)=9

可以看到卷积层大大减少了参数的个数。

下面是两个卷积层常见的运算问题：

1. 求卷积层输出尺寸

• output=(N+2xP-F)/stride+1
• N: 特征图原始尺寸
• P:pad值
• stride：步长
• F：卷积核尺寸

2. 求卷积层参数个数

• （FxFxn+1）xk
• n：特征图个数
• F：卷积和尺寸
• k：卷积核个数
• +1：加上一个偏置值

实际上简单的情况直接画图就好了

池化层

卷积连接虽减少了参数，但网络规模（结点数）并没有减少

思想：对图像继续采样不会改变图像的分类
方法：通过采样缩小网络规模
好处：网络规模缩小，参数量进一步减少

采样（Pooling）方法：

• Max Pooling：取采样框中的最大值
• Mean Pooling：取采样框中的平均值
  

卷积层与池化层的连接方式

方法：对卷积层个特征图谱进行采样

网络训练时卷积层和池化层作为一个整体

全连接层

方法：将最后池化层的单元“平化”然后组成全连接输入网

总结：
卷积层：减少参数个数
池化层：降低模型规模
全连接层：将池化层输出平化

结构特性

CNN结构：

• 输入：X
• 输出：Y
• 参数：各卷积层中各过滤器值和偏置 ；卷积层到池化层权重和偏置；全连接输出网各连接权重和偏置
• 函数关系：X → Y ： 若干（卷积层+采样层）+ 全连接层

1. 局部连接
2. 权重（参数）共享
3. 空间或事件上的次采样
   这些特性使得卷积神经网络具有一定程度上的平移、缩放和扭曲不变性

CNN学习

网络训练时卷积层和池化层作为一个整体

超参数

• 迭代轮数
• 学习率
• batch大小
• 卷积核大小
• 卷积步长
• 特征图个数
• 池化大小

权重变量

• 卷积核的权值
• 卷积核的偏置
• 全连接的权值

状态变量

• 输入图片数据
• 输入图片对应类别

卷积运算

• 卷积核大小：输入中每次提取特征区域大小
• 卷积核中参数：卷积运算中的一组共享参数，该参数随机化初值，然后根据误差函数通过反向传播梯度下降进行迭代优化，通过优化求出的参数才能实现特征提取的作用。

一维卷积

输出长度：当输入长度为 n 时，与输出长度与下列参数有关：

• 卷积核大小
• 步长
• 填充：补0的卷积称为等长卷积，不补0的卷积称为窄卷积（默认为窄卷积）
• 卷积核个数
  

二维卷积

多通道卷积

以三通道卷积为例：

CNN网络的pytorch实现可以参考这次的作业：
NLP作业一：RNN,DNN,CNN 进行猫狗分类（pytorch入门）【代码+报告】