深度学习笔记整理（三）——卷积神经网络

1.神经认知机模型

由负责对比度提取的G层，负责图形特征提取的S细胞层和抗变形的C细胞层交替排列组成。

• 经过交替排列，反复迭代，底层提取的局部特征会逐渐变成全局特征；
• 因输入模式变化引起的畸变可以很好地被C细胞消除，对变形有较好的稳健性。

2.卷积神经网络CNN

基于人类视觉皮层感受野的结构得到的模型，由输入层、卷积层、池化层、全连接层、输出层组成，接下来分别具体介绍不同层。

卷积的本质：如果全部都是全连接层，参数太多，无法调整，无法实现，因此改用卷积核，共享参数，减少参数量。

卷积层

• 由输入样本和卷积核进行内积运算，得到特征图；
• 特征图尺寸一般小于输入样本大小，可以先对输入样本零填充得到尺寸大小相同的特征图；
• 滑动步长越大，得到的特征图越小；
• 将卷积结果通过激活函数计算得到特征图；
• 一个卷积层可以有多个卷积核，每个卷积核对应一个特征图。

池化层

• 目的：减小卷积层产生的特征图的尺寸，降低了特征图的维度，使特征表示对输入数据的位置变化具有稳健性；
• 方法：

1. 最大池化：选取图像区域内的最大值；
2. 平均池化：选取图像区域内的平均值࿱