卷积神经网络CNN（ConvolutionalNeuralNetwork）

　　卷积神经网络CNN（Convolutional Neural Network）一、CNN与NN的区别
　　卷积神经网络与传统神经网络的区别：
　　二、CNN的整体架构
　　1.输入层；2.卷积层；3.池化层；4.全连接层
　　三、卷积层做了什么
　　首先将图形分割成一个个小区域，对于每一个区域特征不同；接下来选择一种特征计算的方法，为每一个区域计算特征值，得到特征图。
　　在图中表现为，深蓝色区域3×3的方格中下标为权重，依次计算每一个3×3的方格的特征值得到最终的绿色特征图。
　　在上图中，输入特征维度是32×32×3，最后一维表示图像颜色通道，在大多数情况下，采用RGB形式。在实际计算过程中，是每一个通道单独计算，将最后的计算结果相加
　　输入为7×7×3，最后一维3表示图像颜色通道，需要注意的是输入的最后一维要和Filter的最后一维保持一致。Filter为3×3×3，那么这里的卷积核大小为3×3，对应输入矩阵中每3×3的大小进行一个区域选择。
　　计算方式为： 每一个对应位置相乘，最终结果相加，最后不要忘记加上偏置项。
　　那么并不是卷积一次就完事了，而是可以进行多次卷积，得到若干张特征图，最后进行堆叠。
　　图中首先左侧输入特征维度是32×32×3，经过6个不同的Filter，得到6个特征图进行堆叠；在经过10个不同的Filter，得到10个特征图进行堆叠，依次类推……
　　（一）卷积层涉及的参数：
　　1. 滑动窗口步长
　　从图中可以看出，不同的步长得到的特征图大小也不同。当步长较小时，相当于慢慢的提取特征，细粒度的提取特征，特征提取的较为丰富；当步长较大时，相当于大刀阔斧的提取特征，特征数目较少。
　　2. 卷积核尺寸
　　其实和滑动窗口的尺寸一样，当卷积核尺寸较小时，相当于慢慢的提取特征，细粒度的提取特征，特征提取的较为丰富；当卷积核尺寸较大时，相当于大刀阔斧的提取特征，特征数目较少。
　　在一般情况下， 滑动窗口选择1，卷积核尺寸为3×3.
　　3.边缘填充方法
　　在滑动窗口移动过程中，我们会发现，有些位置的值被多次计算，那么这些值会对最终的结果影响较大，这样会造成不公平的效果。
　　解决方法：zero-padding 经过观察发现，越靠近边缘位置的值计算重复越少，越靠近中心位置的值计算次数越多，因此可以在输入特征矩阵外再添加一圈0，使得原本边界的特征被利用的次数增多，在一定程度上弥补了边界信息缺失，边界特征提取不充分的问题。
　　那么为啥添加的是0 ，而不是其他值呢？ 如果添加其他值则会再计算过程中对最终的结果产生影响。
　　4.卷积核个数
　　卷积核个数取决于最终在计算过程中得到多少个特征图，10个特征图也就对应10个卷积核。 （二）卷积层的计算公式：
　　这里需要注意的是边界填充为啥要乘2，原因是我们再输入的特征矩阵周围添加了一圈0，是上下左右都填充了，所以长度和宽度都扩大为原来的 两倍 。 举个栗子：
　　如果输入数据是32×32×3的图像，用10个5×5×3的filter来进行卷积操作，指定步长为1，边界填充为2，最终输入的规模是？
　　利用公式：（32-5+2×2）/ 1 + 1 = 32 ，因此最终的输出规模为：32×32×10
　　此时我们可以发现：经过卷积操作后，特征并不一定缩小，可以保持特征图长度和宽度不变。（三）卷积参数共享：
　　用同样一个卷积核，对图中的每一个小区域进行特征提取。也就是说，对每一个区域进行特征提取时，卷积核中的参数不会发生改变。 如果输入数据依旧是32×32×3的图像，继续用10个5×5×3的filter来进行卷积操作，所需的权重参数个数有多少？
　　5×5×3 = 75 ，表示一个卷积核需要75个参数，10个卷积核共计750个参数，但每一个卷积核还有一个偏置参数 b ，因此最终只需要 750 + 10 = 760 个参数即可。四、池化层的作用
　　在卷积层我们的想法是特征图中的特征越多越好，越多表示特征提取越细腻，能够得到的特征信息越多；但是并不是每一个特征都是有用的，因此池化层的作用就是将得到的特征图进行压缩。
　　这里需要注意的是： 压缩的是每一个特征矩阵的长和宽，并不会压缩特征个数。
　　压缩方法： 最大池化
　　过程是一步一步的移动滑动窗口，找到并取出每一个滑动窗口中的最大值。在池化层中，并没有涉及到任何的矩阵计算，只是进行矩阵筛选、压缩和过滤。
　　五、卷积神经网络的整体架构
　　通过观察图，我们发现了几个特点：首先每一个卷积过后都连接一个Relu激活函数；每两次卷积后进行一次池化操作；所有的卷积和池化操作完成后进行全连接FC，全连接层得到最终的分类结果。
　　那么我们必须要思考了，卷积和池化操作完成后得到的是一个立体的三维特征图，那么如何进行分类操作呢？
　　由于全连接层无法连接三维的特征图，因此需要将特征图拉成一维的特征向量。
　　例如：图中最终进行的是5分类任务，假设卷积和池化操作完成后得到的是一个32×32×10的特征图，将其转换成长度为 10240（32×32×10）的特征向量，连接维度为[10240，5]的全连接层，最终将10240的特征转换为预测的5个类别的概率值。
　　小Tips： 在计算神经网络层数时，只有带参数计算的才能称为层，因此conv卷积层、FC全连接层带参数计算，上图中为7层卷积神经网络。
　　六、经典的卷积神经网络（一）ALEXNet
　　2012年ImageNet竞赛冠军
　　（二）VGGNet(Visual Geometry Group Network)
　　2014年ILSVRC竞赛的第二名
　　VGG的特点是：为了弥补池化层丢失的特征信息，每经过一次池化，将特征图的个数翻倍。
　　同时VGG发现，卷积神经网络的层数并不是越深越好，当层数达到16层时比30层效果还要好。随着卷积层数的增加，并不是所有的层都能提取较好的特征，它是基于之前提取的特征之上进行卷积的，不能保证后面提取的一定比之前的效果好。七、残差网络Resnet
　　这是一张描述残差网络的经典图。x作为输入，经过两层网络weight layer，我们将这两层网络看成一个F(x)，那么如果没有残差网络，我们可以直接输出F(x)。但是有了残差网络，就相当于将输入的x原封不动的拿到输出位置与F(x)进行相加操作，因此输出为F(x)+x。
　　其实残差网络的作用是可以让深度神经网络做的更深，并且效果至少不会比原来的差。为啥？
　　假设在上图中我们经过了两次卷积（weight layer），卷积的结果不一定是好的，那么如果最终输出是F(x)，就会导致卷积效果变差。但是我们现在可以将卷积之前的x原封不动的拿过来和F(x)进行堆叠（相加操作），神经网络即使发现这两层卷积使得loss值变大，那么它会将这两层的权重参数学习为0，但我们还有x保底，也就是卷积之前的值，这样就保证了最终的效果不会变差。如果卷积效果好，那么毋庸置疑，皆大欢喜，直接相加。
　　经过实验验证，加上残差网络后，堆叠的层数增多，错误率会下降。 八、感受野
　　什么是感受野： 最后输出的值，能够感受到它是由前面的多少个数据参与计算得到的。
　　如果堆叠3个3×3的卷积层，并且保持滑动窗口步长为1，其感受野为7×7；这与一个使用7×7的卷积核的结果是一样的，为啥要用3个3×3的小卷积层呢？
　　假设输入大小都是h×w×c，并且都使用c个卷积核（得到c个特征图），计算各自所需要的参数：
　　一个7×7的卷积核所需要的参数 ： c × ( 7 × 7 × c ) = 49c2
　　三个3×3小卷积核所需要的参数 ： 3 × c × ( 3 × 3 × c ) = 27c2
　　很明显，堆叠小的卷积核所需要的参数更少，并且卷积过程越多，特征提取也会更加细致，加入的非线性变换也随之增多，还不会增大权重参数的个数，这也是VGGnet的基本出发点，用小的卷积核来完成特征提取操作。
　　原文链接：https://blog.csdn.net/qq_45556665/article/details/127655682