卷积神经网络CNN的基本概念

卷积神经网络CNN的基本概念

**神经元结构：**由一个线性函数和一个非线性的激活函数构成。激活函数的作用是改变数据的线性关系，并且将输入数据映射在某个范围内，防止数据过大溢出。

**全连接：**每一层的每个神经元都与下一层的每个神经元相连，所有特征都要通过网络计算并传播下去。缺点：1).所有神经元都要与下层的神经元有关系，百不管它们相隔多远；2).计算量大。实际上，图片识别中首先找到的是各部分的边缘和轮廓，然后再要查看图片中的数据 和这些边缘轮廓的关系(基本思路)。

**卷积核：**用来检测某一方面的特征，比如垂直边界、水平边界等特征，又称为过滤器。卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂。

**卷积神经网络的参数：**1).卷积核大小，2).填充，3).步长。

卷积（Convolution）：用卷积核将相邻像素之间的“轮廓”过滤出来。实际上，一个n乘n的图像经过f乘f的卷积核处理后，图像变小了，如果神经网络层数越来越多，会越来越小，同时，进行卷积时，边缘信息用到的时候很少

填充：是将输入图像的边缘用0填充。如果想要实现输入图像和输出图像的大小一致，填充的位数p满足p=(f-1)/2.

**步长(Stride)：**卷积是通过一步一步的移动卷积核 窗口将图像卷积完成，一般一次只移动一格，实际上移动的步伐 可以迈得更大。

**卷积输出大小计算公式：**假设输入图像n乘n，过滤器f乘f，填充p，步长s，则输出：

​ O = ( n - f + 2P ) / s +1

​ 例：输入图像5乘5，过滤器3乘3，填充1，步长2，则输出为(5 - 3 + 2 * 1) / 2 + 1 = 3,3X3的图像

**通道：**一般彩色图像有三个颜色通道，对应红绿蓝三种颜色（RGB）。分别为红色通道、绿色通道、蓝色通道。进行卷积时，卷积核由1个变为相同的3个，分别和各个通道的矩阵卷积，然后加在一起。

**激活：**对于卷积神经网络，在滤波器之后也需要一个激活层，一般函数也是用ReLU函数 ，对于单个卷积核，和输入图像进行卷积，并加上偏置量，再送入ReLU函数激活，且多个卷积核重复上述步骤。

池化的作用：降维

Dropout层的作用：防止CNN过拟合，以一定的概率将神经元暂时从网络中丢弃。