卷积神经网络(Convolutional Neural Networl, CNN)的两大核心思想:
- 局部连接(Local Connectivity)
- 参数共享(Parameter Sharing)
两者共同的一个关键作用就是减少模型的参数量
,使运算更加’简洁、高效’,能够运行在超大规模数据集上。
(一)局部连接与卷积
1.1图像的局部相关
对于一张输入图片,大小为
W
×
H
W \times H
W×H, 如果使用全连接网络,生成一张
X
×
Y
X \times Y
X×Y的特征图,需要
W
、
t
i
m
e
s
H
×
X
×
Y
W、times H \times X \times Y
W、timesH×X×Y个参数,如果原图长宽分别是$10^2$102 级别的,而且XY大小和WH差不多的话,那么这样一层网络需要的参数个数是
1
0
8
10^8
108~
1
0
1
2
10^12
1012级别。
下图展示了全连接网络中一个神经元的参数量。不进行局部连接,每个神经元和每一个输入像素连接,参数量动辄千万级别,网络很难训练:
这么多参数肯定是不行的,我们就想办法减少参数的个数。一般而言,图像信息都是局部相关的,如果输入层的每一个像素只和输入层图片的一个局部相连,那么需要的参数个数就可以大大减少。假设输出层每个像素只与输入图片上
F
×
F
F \times F
F×F的一个方块区域有连接,也就是说输入层的这个像素值,只是通过原图的这个
W
×
H
W \times H
W×H减少到了
F
×
F
F \times F
F×F。如果对于原图片的每一个如果对于原图片的每一个
F
×
F
F \times F
F×F的方块都需要计算这样一个输出值,那么需要的参数只是KaTeX parse error: Undefined control sequence: \tmes at position 3: X \̲t̲m̲e̲s̲ ̲Y \times F \tim…,如果原图长宽是
1
0
2
10^2
102级别,且
F
F
F在
10
10
10以内的话,那么需要的参数个数只有
1
0
5
10^5
105$10^6$级别,相比于原来的$10^8$
1
0
1
2
10^12
1012小了很多很多。
由此,CNN中的局部连接通过卷积操作来实现,避免了全连接中参数过多而造成无法计算的情况。那么,卷积具体是如何运算的呢?
什么是卷积?
卷积运算的本质是卷积核(也可称为滤波器,filter)和输入数据(图像)的局部区域间的点积运算,可以用相应的矩阵乘法来实现。
下图很好地演示了CNN中一个卷积核在单张图像数据上的卷积操作,可以简要地概括为:一个
3
×
6
3 \times 6
3×6大小的卷积核在一张
6
×
6
6 \times 6
6×6大小的输入图像上从左到右、从上到下依次扫描,进行矩阵的点积运算,得到相应位置的运算结果并输出(图中的
x
x
x为输入像素值,
a
a
a为卷积核参数,
F
F
F为输出的运算结果)。
以上是输入为单通道(即二维矩阵)时的情况,当输入是多通道(即三维张量)时,卷积核也相应地“升级”为三维。下图的输入为三通道R(red)G(green)B(blue)图像,分别用不同的三维卷积核(Filter w0,w1)来进行卷积操作:
1.3 不同的卷积核(filter)
为什么要设置不同的filter呢?因为不同的filter会得到不同的输出数据,对应图像的不同特征信息,比如颜色深浅、轮廓等等。如下图,中间是图像输入,四角分别对应四个filter(带着一组固定权重的神经元)的输出:
下图的卷积层有两个filter,输出两个特征图:
其中输入图像为
32
×
32
×
3
32 \times 32 \times 3
32×32×3,
32
32
32表示图像尺寸,
3
3
3表示它的深度(即RGB三个channel)。卷积层的两个filter均为
5
×
5
×
3
5 \times 5 \times 3
5×5×3(filter的深度必须和输入图像的深度相同),输出的两个特征图均为KaTeX parse error: Undefined control sequence: \ttimes at position 14: 28 \times 28 \̲t̲t̲i̲m̲e̲s̲ ̲1.
(二)CNN中的参数共享
权值共享
: 卷积核的参数实际上也可以叫做权重,它描述了局部连接中该位置的输入对于相应输出的影响力(重要性)。
2.1 图像底层特征的位置无关性
通过卷积操作,我们实现了输入图像的局部连接,从而大大减少了网络模型中的参数量。但这还不够,利用图像的另一特性,参数量可以进一步降低。
卷积中不做参数共享
,则每一个输出对应一组参数值
,参数量仍然庞大:
我们知道,图像的底层特征是跟具体位置无关的
,比如边缘。无论是在图像中间的边缘特征,还是图像四角的边缘特征,都可以用类似于微分的特征提取器提取(个人体会:边缘定位->通过计算图像梯度来实现->近似一节微分运算->通过高通滤波(卷积)来实现。
)。
- 低层次特征往往是泛化的、易于表达的,如纹理、颜色、边缘、棱角等等。
- 高层次特征往往是复杂的、难以说明的,比如金色的头发、瓢虫的翅膀、缤纷的花儿等等。
- 观察CNN各层输出可看出,
浅层(靠近输入)
能提取到上述低层次特征,深层(靠近输出)
往往能提取到上述高层次特征。最后使用全连接层分析最深处的高层次特征并给出预测结果。
那么,对于主要用于提取底层特征的前几层网络,把上述局部全连接层中每一个 F × F F \times F F×F方形区域对应的参数(权值)共享,就可以进一步减少网络中的参数个数了。也就是说,输出层的每一个像素,是由输入层对应位置的 F × F F \times F F×F局部图片,与相同的一组 F × F F \times F F×F的参数(权值)做内积(点积),再经过非线性单元计算而来的。这样的话,无论图片原大小如何,只用 F × F F \times F F×F个参数就够了,也就是几个几十个的样子。当然,一组 F × F F \times F F×F的参数只能得到一张输出特征图,一般会有多组参数,分别经过卷积后可以有好几层特征图。
需要注意的是,高层特征一般是与位置有关的(全局特征)
,比如 一张人脸图片,眼睛和嘴的位置不同,那么处理到高层,不同位置就需要不同的神经网络权重(参数),这时候卷积层就不能胜任了,就需要用局部全连接层和全连接层。
2.2 示例(一维向量)
共享,即使用同一组参数(权重)来做卷积,如上图。
输入层:
x
=
[
x
1
,
x
2
,
x
3
,
x
4
,
x
5
,
x
6
,
x
7
]
x = [x_1, x_2, x_3, x_4, x_5, x_6, x_7]
x=[x1,x2,x3,x4,x5,x6,x7]
隐藏层:
h
=
[
h
1
,
h
2
,
h
3
]
h = [h_1, h_2, h_3]
h=[h1,h2,h3]
权重向量:
w
=
[
w
1
,
w
2
,
w
3
]
=
[
1
,
0
,
−
1
]
w = [w_1, w_2, w_3] = [1, 0, -1]
w=[w1,w2,w3]=[1,0,−1]
权重值
w
w
w被
h
1
,
h
2
,
h
3
h_1, h_2, h_3
h1,h2,h3:
{
h
1
=
w
⋅
x
[
1
:
3
]
h
2
=
w
⋅
x
[
3
:
5
]
h
3
=
w
⋅
x
[
5
:
7
]
\begin{cases} h_1 = w \cdot x[1:3]\\ h_2 = w \cdot x[3:5]\\ h_3 = w \cdot x[5:7]\\ \end{cases}
⎩⎪⎨⎪⎧h1=w⋅x[1:3]h2=w⋅x[3:5]h3=w⋅x[5:7]
关于卷积神经网络的发展史等更全面介绍推荐这篇:CNN(卷积神经网络)入门简洁清晰。