cnn卷积神经网络

cnn网络的理解

CNN是一种人工神经网络，CNN的结构可以分为3层：

卷积层(Convolutional Layer) - 主要作用是提取特征。
池化层(Max Pooling Layer) - 主要作用是下采样(downsampling)，却不会损坏识别结果。
全连接层(Fully Connected Layer) - 主要作用是分类。

卷积层

我们用滤波器和输入的局部值做点积（对应位置相乘再相加）得到卷积后的结果

滤波器的长和宽可以变，步长也可以设定，步长即从左到右跨几步做下一个卷积运算。每次Filter（滤波器）从矩阵的左上角开始移动，每次移动的步长是1，从左到右，从上到下，依次移动到矩阵末尾之后结束，每次都把Filter和矩阵对应的区域做乘法，得出一个新的矩阵。这其实就是做卷积的过程。

经过卷积层的处理后就得到一些特征图

池化层

池化层就是对卷积层处理好的特征图做进一步的加强，即进行下采样，进一步加强特征。
池化方式有很多，其中包括，
最大池化，即选取2x2矩阵里最大的那一个数据保留
平均池化，选2x2矩阵的平均值保留。
丢失的一部分数据会不会对结果有影响，实际上，池化层不会对数据丢失产生影响，因为我们每次保留的输出都是局部最显著的一个输出，而池化之后，最显著的特征并没。

全连接层

全连接层的作用主要是进行分类。前面通过卷积和池化层得出的特征，在全连接层对这些总结好的特征做分类。全连接层就是一个完全连接的神经网络，根据权重每个神经元反馈的比重不一样，最后通过调整权重和网络得到分类的结果。

因为全连接层占用了神经网络80%的参数，因此对全连接层的优化就显得至关重要，现在也有用平均值来做最后的分类的。

激活函数

在卷积层后，和全连接层里，随处可见激活函数的存在，激活函数常见的有，sigmod，tanh，Relu函数等
那激活函数的作用，就是将线性的函数转为非线性的结果，使之更加符合现实的情况。
更常用的是Relu函数，可以防止使用tanh等梯度消失的问题。