e智团队实验室项目-第二周-卷积神经网络的学习
赵雅玲 *, 张钊* , 李锦玉，迟梦瑶，贾小云，赵尉，潘玉，刘立赛，祝大双，李月，曹海艳，
(淮北师范大学计算机科学与技术学院，淮北师范大学经济与管理学院，安徽 淮北)
*These authors contributed to the work equllly and should be regarded as co-first authors.
🌞欢迎来到深度学习的世界
🌈博客主页：卿云阁💌欢迎关注🎉点赞👍收藏⭐️留言📝
🌟本文由卿云阁原创！
🌠本阶段属于练气阶段，希望各位仙友顺利完成突破
📆首发时间：🌹2022年10月29日🌹
✉️希望可以和大家一起完成进阶之路！
🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！
目录
🍈 为什么要提出卷积神经网络（CNN）
神经网络有以下两个问题，卷积神经网络可以有效解决这两个问题。
卷积神经网络的发展史：
🍔卷积操作流程
卷积层初步提取特征
池化层提取主要特征
全连接层将各部分特征汇总
产生分类器，进行预测识别
下面我们会逐个介绍每一步的具体操作：
卷积层
现在我们要利用CNN来判断图片上的字母是X还是O，首先要对图片的特征进行提取，这就引入了卷积核（filter）。下面介绍一下黑白图像的卷积过程：
一个卷积核代表一个特征，一般来说，卷积核的个数越多就代表提取的特征越多，卷积核的大小代表提取特征的详细程度，卷积核越小说明提取的特征越详细。计算过程如下所示：
卷积核的大小和个数是可以人为确定的，此例使用三个卷积核对原图进行特征提取得到三个特征图。
下面以彩色图像为例继续研究卷积层。
以此例为例，对于黑白图像来说，卷积核的大小是3*3；对于彩色图像来说，卷积核的大小是3*3*3。
卷积涉及参数
（1）卷积核
一个卷积核代表一个特征，一般来说，卷积核的个数越多就代表提取的特征越多，卷积核的大小代表提取特征的详细程度，卷积核越小说明提取的特征越详细。
（2）步长
每次滑动单元格的大小，如下图所示，是步长为1和步长为2时的卷积。
（3）边界填充（pad）
边界填充的目的是为了让边界上的像素点得到充分的卷积，从而得到更充分的特征图。
（4） 特征图大小的计算
池化层
提取主要特征，减少参数
最大池化 （Max-Pooling）
平均池化（Average-Pooling）
以彩色图像为例做最大池化
全连接层
如果第L层的一个神经元和第L+1层的所有神经元均有连接，把这个架构叫做全连接。
如果第L层的所有神经元均是全连接架构，把该层称为全连接层。
假设通过一系列卷积或池化操作后，我们得到了12*12*20的特征图，由于我们最终的目的是为了实现图片的分类，所以我们需要把这个特征图转化成一维向量输入到神经网络中，进而进行图片识别。那么这个操作是怎么做到的呢？
假设我们要把12*12*20的特征图转化成1*100的向量（100代表着神经元的数量，是我们人为决定的），我们可以让该特征图经过100个12*12*20大小的卷积核的卷积操作。
本文规定特征图经过n个卷积核的卷积操作后得到n个特征图，这n个特征图构成了一个整体特征图。
激活函数
一般跟在卷积神经网络的卷积层后面进行非线性运算。
🍟卷积神经网络的整体架构
以手写数字识别为例，
一开始图像以32*32*3的大小作为输入端，经过6个5*5的卷积核，步长为1的卷积操作得到28*28*6的特征图，然后经过2*2的池化核，步长为2的池化操作得到14*14*6的特征图，再经过16个5*5的卷积核，步长为1的卷积操作得到10*10*16的特征图，然后经过2*2的池化核，步长为2的池化操作得到5*5*16的特征图，再将特征图展开得到1*400的一维向量，再经过全连接层和分类器得到概率。
Institutional Review Board Statement: Not applicable.
Informed Consent Statement: Not applicable.
Data Availability Statement: Not applicable.
Author Contributions:All authors participated in the assisting performance study and approved the paper.
Conflicts of Interest: The authors declare no conflict of interest、
扫一扫
729
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
