卷积神经网络（CNN）1.CNN概述2.CNN的层级结构3.卷积网络工作流程4.CNN的应用简述1.CNN概述2.CNN的层级结构3.卷积网络工作流程4.CNN的应用简述1.概述卷积神经网络是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的（即相同的）。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度（对于很难学习的深层结构来说，这是非常重要的），减少了权值的数量。回想一下BP神经网络。BP网络每一层节点是一个线性的一维排列状态，层与层的网络节点之间是全连接的。这样设想一下，如果BP网络中层与层之间的节点连接不再是全连接，而是局部连接的。这样，就是一种最简单的一维卷积网络。1.CNN概述2.CNN的层级结构3.卷积网络工作流程4.CNN的应用简述2.卷积神经网络的层级结构•输入层:用于数据的输入。•卷积层:使用卷积核进行特征提取和特征映射。•池化层:进行下采样，对特征图稀疏处理，减少数据运算量。•激励层:由于卷积也是一种线性运算，因此需要增加非线性映射。•全连接层:通常在CNN的尾部进行重新拟合，减少特征信息的损失。输入层该层要做的主要是对原始图像数据进行预处理，其中包括：•去均值•归一化•PCA•白化PCA是指通过抛弃携带信息量较少的维度，保留主要的特征信息来对数据进行降维处理，思路上是使用少数几个有代表性、互不相关的特征来代替原先的大量的、存在一定相关性的特征，从而加速机器学习进程。PCA可用于特征提取，数据压缩，去噪声，降维等操作。白化的目的是去掉数据之间的相关联度和令方差均一化，由于图像中相邻像素之间具有很强的相关性，所以用于训练时很多输入是冗余的。这时候去相关的操作就可以采用白化操作，从而使得:1.减少特征之间的相关性2.特征具有相同的方差卷积层在卷积层中定义一个权值矩阵，用于提取来自输入层图像中的特征。输出维度下面了解输出尺寸的问题。有三个超参数可以控制输出的大小。1.过滤器数量-激活图的深度等于过滤器的数量。2.步幅（Stride）-如果步幅是1，那么我们处理图片的精细度就进入单像素级别了。更高的步幅意味着同时处理更多的像素，从而产生较小的输出量。3.零填充（zeropadding）-这有助于我们保留输入图像的尺寸。如果添加了单零填充，则单步幅过滤器的运动会保持在原图尺寸。我们可以用一个公式来计算输出尺寸。输出图像的空间尺寸可以计算为（[W-F+2P]/S）+1。在这里，W是输入尺寸，F是过滤器的尺寸，P是填充数量，S是步幅数字。假如我们有一张32*32*3的输入图像，我们使用10个尺寸为3*3*3的过滤器，单步幅和零填充。那么W=32，F=3，P=0，S=1。输出深度等于应用的滤波器的数量，即10，输出尺寸大小为([32-3+0]/1)+1=30。因此输出尺寸是30*30*10。池化层也叫下采样层。该层的功能是对输入的特征图进行压缩，简化网络计算复杂度。一般有两种计算方式：Maxpooling：取“池化视野”矩阵中的最大值Averagepooling：取“池化视野”矩阵中的平均值激励层激励层主要对卷积层的输出进行一个非线性映射，因为卷积层的计算还是一种线性计算。使用的激励函数一般为ReLU函数：f(x)=max(x,0)全连接层全连接层的参数很多。前向计算过程，是一个线性的加权求和的过程，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数W，最后加上一个偏置值b得到。其中，x1、x2、x3为全连接层的输入，a1、a2、a3为输出。接下来就可以通过BP反向传播进行训练了。1.CNN概述2.CNN的层级结构3.卷积网络工作流程4.CNN的应用简述3.卷积网络工作流程1.CNN概述2.CNN的层级结构3.卷积网络工作流程4.CNN的应用简述4.CNN的应用简述卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。感谢观看
