深度学习算法4-CNN原理讲解

1.卷积神经网络

卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层。

用途：检测任务、分类与检索、超分辨率重构、医学任务、无人驾驶等

 

2. 首先要把图像分割成每个小区域，目的是对于不同区域我得到特征它是不一样的，然后接下来我要选择一种计算的方法，对于每一个小区计算，它应该的特征值是等于多少的。

        三个通道都需要进行卷积特征值计算

 卷积特征值计算

这样方法比较简单，首先把数据要分成一个小区域，对于每个小区，要对一个区域就是从filter当中选择指定的大小，然后计算一个内积，把内积计算的结果分别计算好就可以了，这个就是我卷积计算的一个方法。

参考：https://blog.csdn.net/liuweiyuxiang/article/details/88111943

 3.步长与卷积核大小对结果的影响

 

一般图像使用步长为1的卷积，但步长越短，效率就会越慢，但精确率高。卷积核越小，相当于也是越细腻提取，卷积核越大也是越大刀阔斧的。现在基本的一个做法就是步长比较小，卷积核也比较小，一般情况下3*3。

4.边缘填充方法

由于越往边界的点，它能够被利用的次数是不是越少，越往中间的点，他对最终结果而定的次数越多。于是在这个边界外面再加上了一圈0，加上了一圈0之后，现在原本是边界的点，就不是边界点了，既然他不是边界点，他要能够被利用的次数就更多了，代表一定程度上弥补了一些边界信息缺失的问题，边界特征利用的不充分的问题，只加上一圈0，却使得边界特征能够被充分的利用，让网络能够更公平的对待一些边界特征。

卷积核个数： 卷积核个数就是最终在计算的过程当中，要得到多少个特征图，比如说要得到10个特征图，卷积核个数就是10。但是特征图中的数据不同。

5.特征图尺寸计算与参数共享

 

6.池化层的作用：压缩 

 7.神经网络架构

先通过卷积进行特征提取，卷积层都与卷积relu结合在一起，两次卷积一次池化，卷积和池化都是做特征的提取，最后得到结果需要使用全连接层，把特征图转为特征向量。