2020.9.24.CNN

CNN主要用来做计算机视觉

图像和模板按位相乘，相加
数值越大，说明模板和图像越吻合

通过模板 3 X 3
检测图像 256 X 256的形状

每一个数值：
原始图像该位置符合模板的强度

这种操作就卷积：
把一个模板往图像上套

256 * 256 套一个 3 * 3 --------- 254 * 254
256 - 3 + 1

工业界：
进来的是256 卷积完之后 出来的也是256
->方法：在周边填0 256 -> 257

识别圆？

1. 设计一个圆形模板： 模板要设置的比较大，模板和形状要匹配
2. 把圆拆成更小的形状
   原拆成4种弧线，根据小形状的位置确定圆
   S 也能用4种弧线表示，只是相对位置不一样

一张图片，通过多种不同的模板，可以得到不同的channel

3 * 3 * 4 的卷积 （4个channel）

256 * 256 * 4 ------- 3 * 3 * 4

一种立方体， 对应一种基本形状组合

越深， 形状越复杂

一般来说，处理的都是彩色图
彩色图由RGB组成 红绿蓝 0到255

黑白 n * n * 1
彩色 n * n * 3

原始图片，不停的被卷积， 形状越来越复杂

---

参数量和“图像” 大小无关，但是会影响运算量
因此需要把这些图像尺寸变小， 不影响识别效果，而且可以减少运算量

一般会在卷积之后，加一个池化层，用于缩小图像面积。一般用max
主流方法：池化区域 不相交
相交尺寸算的很麻烦
池化没参数，就是取极值
提取的形状越来越复杂，图像越来越小

卷积的参数决定了提取出来的形状

flatten: 把每个图像扯成一个向量
向量- > softmax —类别

用梯度下降法，训练各个卷积的参数

卷积所提取出来的形状跟分类任务有关：
区分是牛还是马，提出来的形状侧重于牛角形和马脸形
你的卷积模板，是依赖与你的任务的
梯度下降法，自动学这些参数。

深度学习做卷积的时候，一般来说在卷积之后会过一个激活函数。 activation = 'relu’
卷积-----激活函数relu

图像分类：
输入图像-------若干 卷积池化层---------flatten------softmax
项目中：

1. 卷积池化层的个数： 个数越多，表面提取形状越复杂。每一层都是对上一层图像的组合。
   （形状的复杂度）
2. 每一层的channel数 ：越多， 提取的基本形状越多
   （形状的个数）

一般来说：
频道越做越多， 尺寸越做越小
原因：图像越往上越复杂的