卷积神经网络

参考文献:
1、 卷积神经网络超详细介绍.
2、卷积神经网络概述.
3、几种典型的卷积神经网络模型.
4、卷积神经网络概述.
5、一文让你彻底了解卷积神经网络.
6、深度学习—图像卷积与反卷积（最完美的解释）.

一、CNN简介

卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pooling layer)。相比早期的BP神经网络，卷积神经网络最重要的特性在于“局部感知”与“参数共享”。参数共享大幅度减少了神经元的数量使得网络易于优化，防止过拟合的同时也降低了神经网络的复杂度。

如下图所示，一个完整的卷积神经网络可包含卷积层、池化层、全连接层等。其中卷积层用来进行特征提取，池化层用于降低维数，全连接层可用于结果预测（也可使用全卷积网络进行预测）。

注：卷积运算也属于一种线性运算，故需要进行非线性处理，即添加激活函数（示例中为修正线性单元的函数，即 Relu 激活函数）。

二、CNN的基本概念

2.1图像卷积

在原始的输入上进行特征的提取。特征提取简言之就是，在原始输入上一个小区域一个小区域进行特征的提取

图1：左方块是输入层，尺寸为32 * 32的3通道图像。右边的小方块是卷积核（filter），尺寸为5*5，深度为3。将输入层划分为多个区域，用filter这个固定尺寸的助手，在输入层做运算，最终得到一个深度为1的特征图。

卷积的计算流程如下图所示：其中绿色代表原图像，黄色代表卷积核，右边粉色的即为卷积之后的结果。

注：在进行卷积的时候一定要注意，卷积核的深度与图片的深度保持一致。

如下图：若一张图片的维度是32×32×3，其中两个32代表的是图片的长和宽，3代表的是图片的通道数（RGB），在进行卷积的时候，也要保证卷积核满足3个通道，在该卷积过程中，卷积核n（包含3个小卷积核） 中的每个小卷积核分别与原图像中所对应的图层进行卷积运算（如卷积核1中左边的小卷积核与原图像中左边的红色图层进行卷积运算，得到红色的单通道特征图；卷积核1中中间的小卷积核则与原图像中间的绿色图层进行卷积运算，得到绿色的单通道特征图，以此类推），分别生成3个单通道特征图，然后将这3个特征图按元素对应相加，即可得到卷积核n 生成的单通道特征图，最后将 n 个特征图相叠加即可得到最终的 n通道特征图。

图2：展示出一般使用多个filter分别进行卷积，最终得到多个特征图
图3：使用了6个filter分别卷积进行特征提取，最终得到6个特征图。将这6层叠在一起就得到了卷积层输出的结果。
图4：卷积不仅限于对原始输入的卷积。蓝色方块是在原始输入上进行卷积操作，使用了6个filter得到了6个提取特征图。绿色方块还能对蓝色方块进行卷积操作，使用了10个filter得到了10个特征图。每一个filter的深度必须与上一层输入的深度相等。