深度学习第五课

CNN

 卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。
 卷积神经网络是受到生物思考方式启发的MLPs（多层感知器），它有着不同的类别层次，并且各层的工作方式和作用也不同。

5个层级结构：

输入层

卷积层

激活层

池化层

全连接层

流程图像：

如何理解卷积层和池化层？

个人认为：

图像是人来定义的，人不用经过函数的计算就能理解图像，但是计算机不行，计算机只能把二位图像转变成“点”。也就是矩阵去识别，是计算机理解图像的形式。

（越看越觉得大脑牛啊！！还是人yyds！！）

基本上，机器会把图像打碎成像素矩阵，存储每个表示位置像素的颜色码。在下图的表示中，数值 1 是白色，256 是最深的绿色（为了简化，我们示例限制到了一种颜色）

卷积层：

能否对卷积神经网络工作原理做一个直观的解释？ - 知乎 (zhihu.com)

个人认为卷积层就是把矩阵分成更小的矩阵

池化层:

有时图像太大，我们需要减少训练参数的数量，它被要求在随后的卷积层之间周期性地引进池化层。池化的唯一目的是减少图像的空间大小。池化在每一个纵深维度上独自完成，因此图像的纵深保持不变。池化层的最常见形式是最大池化。

激活函数的作用是什么？

个人认为：就是把线性转变为非线性

有点像化学里面的  把分子转变成原子  然后再重新转换成新的分子

引入非线性因素。

在我们面对线性可分的数据集的时候，简单的用线性分类器即可解决分类问题。但是现实生活中的数据往往不是线性可分的，面对这样的数据，一般有两个方法：引入非线性函数、线性变换。

线性变换

就是把当前特征空间通过一定的线性映射转换到另一个空间，让数据能够更好的被分类。

激活函数

激活函数是如何引入非线性因素的呢？在神经网络中，为了避免单纯的线性组合，我们在每一层的输出后面都添加一个激活函数（sigmoid、tanh、ReLu等等），这样的函数长这样：

 

实现猫狗分类

对于学长给的内容进行了相关运行，因为不怎么涉及代码，只用来体验，所以只放置结果