【一看就会】【人工智能第二篇】从人脸识别开始理解卷积神经网络

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

这是人工智能第二篇哦
在上一章中，我们了解了感知机的原理，在这一章，我们进一步，讲解神经网络中最耳熟能详的一类——卷积神经网络。

卷积神经网络主要用于图像识别，例如人脸识别。
本文从人脸识别讲起，将卷积神经网络的逻辑给大家理清。
以下内容不涉及代码，也尽量不涉及公式，只为让大家较为简单的理解卷积神经网络的工作原理。

---

一、部分基础知识

先补充一部分的基础知识，主要是卷积神经网络的构成，不需要记，等跟着文章理解了卷积神经网络内容后再来看这个：

卷积神经网络 (CNN)
├── 输入层
│ └── 图像数据（宽 × 高 × 通道）
├── 卷积层 (Convolutional Layer)
│ ├── 卷积核 (Filter) [提取特征]
│ ├── 步幅 (Stride) [控制滑动步长]
│ └── 填充 (Padding) [调整尺寸]
├── 激活函数层
│ ├── ReLU [常用，非线性]
│ ├── Sigmoid [较少用于 CNN]
│ └── Tanh [较少用于 CNN]
├── 池化层 (Pooling Layer)
│ ├── 最大池化 (Max Pooling) [取最大值]
│ └── 平均池化 (Average Pooling) [取平均值]
├── 全连接层 (Fully Connected Layer)
│ └── 将特征展平成向量，综合高层语义
├── 输出层
│ ├── Softmax [多分类]
│ └── Sigmoid [二分类]
├── 批量归一化 (Batch Normalization)
│ └── 稳定训练，加速收敛
└── 丢弃层 (Dropout)
└── 防止过拟合

二、从人脸识别开始理解卷积神经网络

1.从人类识别开始理解卷积神经网络的识别流程

现在给你一张照片：

你是不是一眼看出右边是周杰伦，左边是一个有些像周杰伦的人。

虽然你认出来的速度很快，但实际上你的大脑经过了处理：
首先是人眼进行图像接收。
然后大脑识别判断。
再输出“周杰伦”。

但是左边这个人的“像”从哪里来？
脸型，五官分配，鼻子，眼睛，都有些像。
这些“像”就是你的大脑提取了周杰伦的样貌特征，和左边的人进行了对比。

此时，就可以整理一下你分辨这两个人图像的流程：
1、眼睛接收。
2、提取特征。
3、判断人物。
4、输出姓名。

对应到卷积神经网络上：
1、输入层：接收图片
2、卷积层和激活函数层：提取特征
3、池化层：降低计算量（省脑子）
4、全连接层：进行打分，哪个得分高输出哪个。（见上一篇文章中的多层感知机的打分环节）

下面我们分别讲一下这几层的内容和实现逻辑。

补充：
到了这里大家肯定有疑问：我觉得我的大脑没有经过特征提取，就是直接看到了图片就认出了周杰伦。
这个问题我最后解答。

2.输入层–接收图片并进行预处理

首先是图片输入。
图片有一个个点组成，每个点都有自己的位置和颜色。
除了白色的每种颜色都可以用三原色——红绿蓝调制而成。
所以对于计算机来说，所有的图片都可以量化为数组，数组中的每个数据包含了每个点的位置和红绿蓝的颜色分量。

举个例子：
[
 [[255,   0,   0], [  0, 255,   0], [  0,   0, 255]],
 [[123,  45,  67], [ 89, 100, 200], [150, 150, 150]],
 [[ 78,  90,  45], [200, 210, 220], [ 30,  40,  50]]
]
这就是一个彩色图像。

输入层的作用就是接收这个数组，然后进行预处理，将其缩放到统一大小，比如都缩放成108010803。
（原图片大就隔点删除，原图片小，就隔点补充）
便于后续的卷积层进行处理。

2.卷积层，激活函数层，池化层–提取图片特征

得到了图片之后，就需要提取图片特征，此时就需要用到我们的卷积层，也是卷积神经网络中最重要的部分。

1.第一层卷积层，激活函数层，池化层–提取低级特征（轮廓和纹理）

卷积其实不难，就是用一个小矩阵，比如说3*3的矩阵**（卷积核）**，从矩阵左上角，乘覆盖的数据，乘一点数据挪动一步，可以挪动两格也可以自己定几格（步幅）。（这里没图说不清楚）
（这部分可以看一下另外一个博主的博客中的动图：https://blog.csdn.net/AI_dataloads/article/details/133250229）

总之，卷积就是一种运算，计算完之后，咱们就得到了一个新的矩阵。

哇！
不懂有什么用。

卷积了半天到底是干啥的，提取了个啥，计算完之后就咋了。

答：卷积完之后就把图片的轮廓线给提取出来了。

我们以灰度图像举例：
[255, 3, 5, 66, 200
0, 199, 2, 238, 5
23, 56, 253, 2, 46
51, 200, 51, 222, 3
233, 20, 54, 8, 238
]
上面就是一个灰度图像的矩阵，其中每个位置的数字代表的是亮度，0是黑色，255是白色，然后其他数字都是深浅不一的灰色，数字越小，颜色越深。

你们能看出上面的灰度图是一个什么形状嘛。

这个时候我们就设计一个卷积核:
[0,-1,0
-1, 1,-1
0,-1,0]

然后计算每个点的卷积。（最外层一圈补充一圈0，便于计算）
第一个点数字255，就成了：00±10+00±10+1255±13+00±10+0*0=252
第二个点数字3，就成了一个负数。

懒得算了，反正就是其中数据比较大的，最后卷积完会是个正数，小的卷积完会是负数。
然后再加个激活函数，把让所有的正数=1，负数=0，然后就成了：
懒得写了，你们自己看一下，反正就是1组成的X.

对对对，就是这个意思。
这个卷积层就把所有整个灰度图的特征给提取出来了。

然后这个卷积核中的参数，需要我们自己设计优化。

反正到这里，为啥能提取轮廓线理解了是吧。
池化层很多是max，min，mean池化，也就是把图像里几个数取个最大或者最小或者平均值，然后其他的值给省去，就把图片数据给减小了。

上面说的轮廓线提取和池化，就是第一层卷积层和池化层。

得到的轮廓线的图，成为特征图，我们为了便于和后续的进行区分，将使用第一层提取之后的轮廓图称为一级特征图。

补充：
经常看到卷积层可以无视图像角度带来的影响，这个是因为第一层输出的不止一个轮廓图，既然是矩阵运算，就可以做横向轮廓图，纵向轮廓图，斜角度轮廓图生成，然后分别输入下一层。
矩阵运算就不讲了，这部分可以自己查一下。

2.第二层卷积层，激活函数层，池化层–提取中级特征（鼻子耳朵等）

像是一开始的那张“周杰伦”的图片，通过第一层卷积，得到了轮廓线。

这个轮廓线包含了，耳朵，鼻子，眼睛等等的轮廓，还有脸上的褶子这种纹理，眉毛和头发这种纹理等。

提取出这些轮廓和纹理之后，需要进行下一步特征提取，提取出鼻子，耳朵，眼睛，头发，眉毛。

这一步的提取，依旧卷积层和池化层，这一步的卷积核就会变大，并且上一步池化后将图片缩小，所以这一层就能“看”到更大的图像区域。也就是我们经常听到的**“感受野”**变大。

提取“耳朵”的轮廓，需要一个专门的“卷积核”。
这个“卷积核”在一级特征图上计算之后，得到了一个新的“耳朵”特征图，其中每个点的数字，代表了它是“耳朵”的点的可能性。

以此类推，得到了“鼻子”等等的好多张特征图。
将他们统称为二级特征图。

3.第二层卷积层，激活函数层，池化层–提取中级特征（鼻子耳朵等）

3.全连接层

上面的二级特征图，展开成一个一维向量，就是一竖列数字。
这一竖列数字的量也不少，但是比之前原图的点就少太多了。
然后就扔进全连接层。
全连接层怎么理解呢？
就按上一章的多层感知机理解就行，工作就是为了打分，然后输出分数。

比如说人脸识别，全校人脸中要识别出你的脸，人脸识别系统就会得到包含你的名字在内的所有人的分数，然后选个最高的输出。

---

总结

写的比较粗糙，之后应该还会回来补充。

这部分不涉及什么公式之类的，讲的也比较简单，主要是为了便于理解卷积网络的物理意义。
但实际上的卷积神经网络，像是LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet和MobileNet
比这个要复杂的多，并且其中有很多层没有什么实际的物理意义，就是纯数学逻辑的计算。
但基本原理相通，希望可以让大家有所启发。