wordpress侧滑菜单昆明seo外包
目录
一.卷积神经网络的组成
二.卷积层
目的：
参数：
计算公式
卷积运算过程
三.padding-零填充
1.Valid and Same卷积
2.奇数维度的过滤器
四.stride步长
五.多通道卷积
1.多卷积核(多个Filter)
六.卷积总结
七.池化层(Pooling)
八.全连接层
都看到这里了，点个赞把！！！！
对于普通的神经网络，假如一张图片像素是1000*1000*3的格式，建立一层10个神经元的神经网络，那么计算次数就为1000*1000*3*10，三千万次的计算才能处理一张图片，而且害很难达到理想的效果，更别说建立多层的神经网络了。所以引入了卷积神经网络
一.卷积神经网络的组成
卷积神经网络由一个或多个卷积层，池化层以及全连接层组成。以其他深度学习相比，卷积神经网络在图像等方面有更好的结果。卷积神经网络可以使用反向传播算法进行训练。
卷积神经网络的整体结构为：
输入层：输入图像等信息
卷积层：用来提取图像的底层特征
池化层：防止过拟合，将数据维度减小
全连接层：汇总卷积层和池化层得到的图像的底层特征和信息
输出层：根据全连接层的信息得到概率最大的结果
二.卷积层
目的：
卷积运算的目的是提取输入的不同特征，某些卷积层可能只能提取一些低级的特征，如边缘，线条和角度层级，更多层的网络能从低级特征中迭代提取更复杂的特征
参数：
size：卷积核/过滤器大小，选择有：1*1 ， 3*3 ， 5*5
padding：零填充，Valid与Same
stride：步长，通常为1
卷积核：比需要提取特征的图片大小要小或者相等，卷积核通过在输入的图片中按照步长不停的一定，每一次移动都进行一次的乘积求和，作为此位置的值
计算公式
计算后得到一个新的矩阵，这个矩阵也被称为特征图
卷积运算过程
对于一张5*5的单通道图片，使用一个3*3大小的卷积核运算得到一个3*3的运算结果
卷积结束后，图片变小了，假设N为图片大小，F为卷积核大小，就相当于
N-F+1=5-3+1=3
如果我们换一个卷积核大小或者加入更多的卷积层之后，图片可能最后就变成1*1大小。而这样是不行的，对于原始图片当中的边源像素来说，只计算了一次，对于中间的像素会有许多次过滤器计算，这样导致了边缘信息丢失。
三.padding-零填充
零填充：在图片的最外层加上若干层0值，一层则记作p=1
为什么要增加0呢，因为0在权重乘积运算中对最终结果不造成影响，也避免了图片增加了额外的干扰信息
这张图片中，还是移动一个像素，并且外面加一层0.
5+2*p-3+1=5
假设为两层
5+2*2-3+1=7，这样得到的图片大小比之前的图片大小害大，所以对于0的填充会有一些选择
1.Valid and Same卷积
为了避免上述情况，一般选择Same这种填充的方法
Valid：不填充，也就是图片最终大小：(N-F+1)*(N-F+1)
Same:添加两层:(N+2p-F+1)*(N+2p-F+1)，也就是P=F-1/2
2.奇数维度的过滤器
通过上面式子，如果F不是奇数，那么最终结果就会出现0.5的情况，这样填充就不均匀，所以卷积一般都是使用奇数维度大小
四.stride步长
对于上面的都是步长为1的结果，那么步长不为11的呢
对于一个步长的公式
N+2P-F+1=6+0-3+1=4
对于步长为2的结果
(N+2p-F)/2+1=1.5+1=2.5，不是整数，乡下取整为2，
所以对于任意步长，大小为N，过滤器大小F，步长为S
((N+2P−F)/S+1)*((N+2P−F)/S+1)
五.多通道卷积
当输入有多个通道(channel)时，例如彩色图片就有3通道。卷积核需要拥有相同的通道数，每个卷积核通道与输入层的对应通道进行卷积，将每个通道的卷积结果通过按位相加得到最终的结果
1.多卷积核(多个Filter)
当有多个卷积核时，可以学习到多种不同的特征，对应产生包含多个channel的Feature Map，如果有两个filter，那么output就有两个通道。这里的多少个卷积核也可以理解位多个神经元。相当于外面把多个功能的卷积核的计算结果放在一起，能检测到图片中不同的特征(边缘检测)
六.卷积总结
假设外面有10个Filter，每个Filter3*3*3，并且只有一层卷积
假设有一张图片1000*1000*3，需要多大的零填充
((N+2P-F+1) /S+1)=N，解得P=1
卷积层相当于特征提取的角色，但是没有减少图片的特征数量，在最后的全连接依旧面对大量的计算，所以需要池化层进行特征的减少
七.池化层(Pooling)
从上面的卷积层可以看到，有几个卷积核就有多少个特征图，而当特征图特别多的时候，就意味着外面得到的特征也非常多，那么外面就可以用到池化层了。
池化层主要对卷积层学习到的特征图进行亚采样处理，主要有：
最大池化：Max Pooling，取窗口的最大值作为输出
平均池化：Avg Pooling，取窗口内的所有值的均值作为输出
意义在于：
降低了后续网络层的输入维度，缩减模型大小，提高计算速度，提高了Feature Map的鲁棒性，防止过拟合
对于一个输入的图片，外面使用区域大小为2 2，步长为2的参数进行求最大值操作，同样池化也有一组参数，f，s得到2 2的大小。当然如果外面调整这个超参数，比如是3*3，那么结果就不一样了，通常选择默认都是f=2*2，s=2
池化超参数特点，不需要学习，不像卷积通过下降进行更新。
八.全连接层
卷积层+激活层+池化层可以看成是CNN的特征学习/特征提取层，而学习到的特征（Feature Map）最终应用于模型任务（分类、回归）：
先对所有 Feature Map 进行扁平化（flatten, 即 reshape 成 1 x N 向量）
再接一个或多个全连接层，进行模型学习
