卷积神经网络CNN

你以为挑起生活的担子是勇气，其实去过自己真正想要的生活才更需要勇气——萨姆门德斯

一.卷积神经网络理论介绍

深度机器学习中卷积神经网络（convolutional neural networks,简称CNN）是深度学习中应用较广的一种算法。卷积神经网络大多用于图像处理以及预测等领域，它是通过卷积核进行卷积运算的，一般是通过获取输入图像的隐藏特征，然后将这些特征组合在一起，再经过一次或多次池化的处理，最终通过输出层的神经元根据图像的特征然后进行分类。

为什么会叫卷积？因为在神经网络中引入了“卷积核”，用来提取图像的一些特征；因为在图像识别中，我们辨别一张图片是什么，往往是通过判断该图像具有什么样的显著特征。

比如：给你一张橘子的图片，根据什么原因才可能确定那是一个橘子，而不是苹果。
因为不同水果有不同的特点，橘子皮的颜色是橙色，大小为一个拳头左右等等特点，我们看见一张图就会看到一些局部的显著特点，从我们已有的记忆中判断图片中的东西是什么。

那我们看见了这些特征，该怎么用数学来描述呢？构造矩阵，根据识别出来的特征，计算处不同特征的矩阵——卷积核。

二.卷积神经网络的结构

卷积计算的神经网络结构是一个数据堆积的过程，每级数据都是一个三维的张量结构。结构图如下：

我们可以看到，卷积神经网络是一个多层的结构，数据要经过很多层的计算才能提取特征，从而输出结果。其主要的结构包括卷积、池化和全连接。

2.1 卷积层

在卷积层中，主要是将输入与输出之间进行卷积运算，我们将上面提到的不同卷积核进行卷积运算来得到新的矩阵，也就是得到多种特征信息。卷积运算示意如下：

一句话，在卷积层的目的就是实现对信息特征的提取。

2.2 池化层

通过卷积层提取的特征之后，信息很大，但是提取的信息大部分都是冗余的。那么在池化层就是要解决这个问题，怎么解决？降维压缩

在池化层通过减少输入的大小，来降低输出层的数量并且降维，通过池化函数衡量数据信息的总体特征，同时忽略其中不重要的特征，来避免过拟合，提高神经网络的泛化能力。这就是“池化”操作。

其中池化层有两种形式，一种是最大池化层，一种是平均池化层；通常默认为最大池化层。

为什么可以池化呢？

一个图片的相邻像素，倾向于具有相同的值；那么对于神经网络的输出像素也具有相似的值。

2.3 全连接层

什么是全连接层？顾名思义，全连接层就是前一层的每个单元与后一层的每个单元进行连接。为什么会有全连接层的出现？

在前面，通过卷积层的操作之后，所得到的结果知识一些局部特征，那么就需要把这些局部特征完整的组合起来得到完整的图，这就是全连接层的作用；在这个过程中，需要对不同的特征赋予不同的权重，从而各个权重组成一个矩阵。

一般来说，一个模型的结构会有两层全连接层，第一层是在池化层操作后的全连接层，该层的作用是为了将一些二维或三维的矩阵降压为一维的向量，通过全面操作的整合，映射到样本空间。第二层是结合激活函数作为输出，做为分类和归一化。

二.CNN优点介绍

卷积神经网络CNN有一下两大特征（优点）：

• 局部的连接

局部连接就是指在卷积层中相邻的两层通过节点相连接的方式进行数据交换，交换的目的是为了学习局部特征。

• 权值共享

我们知道，卷积神经网络中不可缺少的就是通过卷积计算来实现对特征的选取，在卷积操作的过程中，卷积核的大小和权重不会随着图片的位置变化而变化，也就是权值共享的特点，卷积核不会改变。那么这样的一种特点，有什么优势呢？权值共享的特点能够很大程度上控制权值参数的数量，如图：