从0到1，AI我来了- （3）AI图片识别的理论知识-I

从上篇文章，我们分析通过Pytorch 封装的各种方法，解读了一遍图片识别训练到测试的流程。

这篇我们从理论上，理解下，图片是如何被识别的？

核心需要理解的内容有？

1. 一张图片，如何被计算机读懂？
2. pytorch 封装的网络，什么是卷积层，为什么要多层？层与层如何衔接？如何设计？
3. 什么是池化？为什么要池化？
4. 什么是全链接层？它有什么作用？
5. 神经网络模型的前向传播？这个步骤的作用是什么？
6. 什么梯度下降？梯度下降的价值？
7. 什么是激活函数？为什么要用激活函数？

带着问题，我们找个教程看看：

一、初识图片识别过程

我们先理解上图，再结合我们自己的例子加深下理解。

MNIST上，下载的手写训练数字数据，也跟上面的INPUT一样，是一个28*28像素的图片

整个图片处理过程：

INPUT--》Conv_1--》Max-Pooling（1） --》Conv_2 --》Max-Pooling（2） -》全链接（full connected ReLU激活函数）-》全连接（with dropout)--》得出（0~9）每个数的概率值

Conv_1

没有经过padding（补充）、Stride（移动步长） 为1，n1 个通道（可以理解为特征，彩色图片，一般为RGB，3个通道），卷积核为5*5，也就就是INPUT中虚线的格子，经过从到右（每次格子移动1个像素），经过卷积层后，单通道变为了n1@24*24，即n1个图片大小为24*24 的图片（如下计算），

Max-Pooling（1）

max-pooling 2*2 可以理解为一个长*宽 为2的格子(如 n1 channels 24*24中的格子图）；

把4（2*2）个像素的格子，经过平均/最大值计算，n1*24*24, 池化后，长24/2后为12，即变为第三幅图(n1 channels 12*12*n1)

Conv_2 

没有经过padding（补充）、Stride（移动步长） 为1，n2 个通道，卷积核为5*5，

卷积后大小为：  （12-5+2*0）/1 +1 = 8，经过 卷积层conv_2 ，n2@8*8

Max-Pooling（2）

max-pooling 2*2 可以理解为一个长*宽 为2的格子，池化后变为 n2@4*4；

fc_3 Full Connected 

输入为：n2@4*4 ，把特征图展平，为n2个16个一维的向量（数组）

ReLU activation ReLU激活函数 ReLU(x)=max(0,x)，即小于0为的经过函数，输出为0，大于0的，为数本身。

fc_4 Full Connected 

（提到了Dropout ，补充到附录了，先不了解也没啥问题）

要把10个数字，最终拿到每个数字的概率值，那这层输出层通道数必须为10，且数据要控制在概率和为1。

所以这里应该会经过这么个环节的，pytorch中，criterion = nn.CrossEntropyLoss()

【nn.CrossEntropyLoss 在内部会自动应用 Softmax 激活函数，所以你只需将 logits（模型输出）和标签传递给它。】

我们解读了手写图片，经过神经网络后，输出的概率过程，接下来，我们结合我们自己的程序分析一下。

二、理解我们的程序网络

回顾我们代码如下：

输入为：28*28的原始图片

conv1  

self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)

定义一个神经网络层conv1，该层特点：2维的 输入为1个通道、输出为32个通道，卷积核为3*3，步长为1，补充为1

长=（28-3+2*1）/1 + 1 = 28,

即根据公式，经过conv1 后特征图为：32@ 28*28 ，特征图大小没变

conv2

self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)

定义一个神经网络层conv2，该层特点，conv1要衔接conv2,那么conv1的输出，是conv2的输入，即conv2的输入也为32.

卷积层conv2，为2维的，输入为32，输出为64 通道，卷积核为3，步长为1，补充为1

即根据公式，经过conv2后特征图为：64@ 28*28 ，特征图大小没变

Max-pooling 

self.pool = nn.MaxPool2d(2, 2)  

定义了池化，max pool 把4个像素中最大的标量，作为最终一个像素的标量值;还有一个常见的平均池化，即4个像素相加的平均值，作为最终一个像素的标量。

fc1

self.fc1 = nn.Linear(64 * 7 * 7, 128)  

定义一个全连接层fc1，输入为64*7*7，即conv2后64*28*28,需要经过2次池化操作；输出为128

fc2

self.fc2 = nn.Linear(128, 10) 

定义一个全链接层fc2,输入是fc1的输出大小，128，输出是10，即输出10个数字的概率值

OK，这篇先到这，我们理解了我们的网络如何连接的，下篇分析如何训练。

附录：

fc_3 Full Connected 图中提到了dropout,它是啥？

即防止过拟合问题，啥是过拟合，后面再补，如果dropout 比例为0.5，经过 ReLU 激活后，得到的 24*24 特征图在应用 Dropout 后，尺寸保持不变，仍然是 24×24，但激活值中大约有一半的值会被置为 0）