卷积神经网络CNN

基础概念

CNN入门扫盲

CNN是一种人工神经网络，结构可以分成三层：

1. 卷积层：主要作用是提取特征
2. 池化层：主要作用是采样，减少训练参数，但不损坏识别结果
3. 全连接层：主要作用是做分类判断

卷积层

那么卷积层是如何提取特征的呢？

我们都知道卷积就是2个函数的叠加，运用在图像上，可以理解成拿一个滤镜罩在图像上，找出图像中的某些特征。因为我们需要很多特征才能区分某一物体，所以我们会有很多滤镜，通过这些滤镜的组合进行分类。

可以看看文中举的例子，还是蛮好理解的。

池化层

那么经过卷积层处理的特征是否就可以直接用来分类了呢？答案是不能。

我们需要对数据进一步处理，降低图片维度，减少数据大小，这样就需要引入采样层。常见的池化方法有最大池化、平均池化等。

接着问题来了，池化会不会对结果产生影响？实际上，池化并不会对数据丢失产生影响，因为我们每次保留的都是最显著的一个输入，而把其他无用信息丢掉，这样一来，池化之后最显著的特征并没有丢失。

池化层的引入还保证了平移不变性，即同样的图像经过翻转变形之后，通过池化层，可以得到相似的结果。

既然是降采样，那么是否有其他方法实现降采样，也能达到同样的效果呢？当然有，通过其他的降采样方式，我们同样可以得到和池化层同样的结果，因此也就可以拿这种方法替换掉池化层。

通常卷积层和池化层会重复多次形成具有多个隐藏层的网络，俗称深度神经网络。

全连接层

全连接层的作用就是分类。它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结果。因为全连接层占了神经网络80%的参数，因为对全连接层的优化就显得十分重要。