卷积神经网络（CNN）理论学习笔记

1 为什么使用CNN

1.1ANN缺点：
1.2 CNN使用什么方法解决：

2卷积神经网络

2.1特点：利用特征做学习，不以单个像素作为输入，而是以特征作为输入。

2 .2架构

3 算法步骤

3.1步骤一：图片编码为矩阵

3.2步骤二： 利用过滤器，进行卷积运算，提取特征
3.2.1 模型实例与定义：过滤器是自己挑选的特征；不同的过滤器（科学家给你找好了）可以提取图片不同的特征；通过深度学习算法可以学习得出参数W从而得到一个直接训练的过滤器，可以用于检测你想检测出来的图片特征。

3.2.1.1经过不同的特征提取器，图片会变成不一样。

使软件:GIMP，可以用来查看使用特征提取器进行原图卷积运算后的输出图片。

3.2.2参数一：过滤器大小
一般都是奇数（33-55-7*7），原因：
1、采用same填充策略时，才有自然向图片四周填充，不会左边一点，右边一点；
2、过滤器有中心点，容易计算位置。

3.2.3参数二：过滤器移动步幅
自己设定的，参考别人的
1、如果不是整数就进行地板除法（向下取整数）
2、过滤器移步到图像外就不计算了

3.2.4参数三：填补（padding）
使用原因：
1、为了适应神经网络训练需求，使得图片的输入和输出大小一致性；
2、防止边缘信息被忽略。
两种策略：

3.2.5 利用以上三个参数计算输入图片大小经卷积后输出大小

3.2.6三维条件下卷积同理

根据需求，设置多个三维过滤器，再将过滤之后的输出堆叠在一起，堆叠意味着提取图片特征的总和。


随着卷积运算，图像的宽高会减少，特征通道会增加

标记的常用形式：

3.3步骤三：对卷积运算后的图片加入偏差量并激活。

激活目的：抑制掉不想要的输入，突出想要的。
例子：

3.4 步骤四：池化(pooling)(静态属性层)：

3.4.1参数（都是人为设置，所以它没有要求的参数）
参数1：过滤器的尺寸大小（ f=2,s=2；f=3，s=2常用，表示高和宽减少一半）
参数2：移动步长
参数3：很少这是padding参数

3.4.2策略
最大化方法和取平均方法（最大化比较常用）
作用：如何从不同角度辨识出一个物体：找出代表性特征
图片变成矩阵后，如何保留重要特征，去辨认图片内容

3.4.3 模型图

注意：这里的运算方法与卷积运算完全不同，卷积三运算在维条件下是单个通道逐个运算，然后将三个通道的计算值加和在一起输出一个值，输入单个通道的图片，经过一个过滤器变成一张图片了；
这里是几个通道就输出几个通道的图片，一一对应的。

3.5步骤五 展开输出
假设池化后输出如下图：
目的：转化成向量输入形式，准备构建全连接网络了

3.6 步骤六： 构建全连接网络层

4、一些说明
4.1关于卷积层的定义

也有这种提取多张不同的特征图，全部特征图的集合称之为卷积层。

如果还有疑惑，可以看看这篇文章，总结的特别好，强烈推荐！！
https://www.cnblogs.com/wj-1314/p/9754072.html
参考自吴恩达课程及其他博客，学习记录，如有侵权，马上删除。