02卷积神经网络

一、卷积神经网络简介

特征是关键点，人是通过图像的局部特征来理解图像。

卷积神经网络（Convolutional Neural Network， CNN） 是一种前馈神经网络， 它的人工神经元可以响应一部分覆盖范围内 的单元， 对于图像处理有出色表现。 它包括卷积层（convolutional layer） ， 池化层（pooling layer） 和全连接层（fully connected layer） 。

1、深度学习卷积的重要概念

卷积核（Convolution Kernel ） ， 根据一定规则进行图片扫描并进行卷积计算的对象称为卷积核。 卷积核可以提取局部特征。

卷积核尺寸（Kernel Size） ， 卷积核是一个3维的矩阵， 可以用一个立方体图示， 宽w， 高h， 深度d。 深度d由输入的通道 数决定， 一般描述卷积核尺寸时， 可以只描述宽w和高h。

 特征图（Feature Map） ， 经过卷积核卷积过后得到的结果矩阵就是特征图。 每一个卷积核会得到一层特征图， 有多个卷 积核则会得到多层的卷积图。

特征图尺寸（Feature Map Size） ， 特征图也是一个3维的矩阵， 可以用一个立方体图示， 宽w， 高h， 深度d。 深度d由当前 层的卷积核个数决定， 一般描述特征图尺寸时， 可以只描述宽w和高h。

步长（stride） ， 卷积核在输入图像上滑动的跨度。 如果卷积核一次移动一个像素， 我们称其步长为1。

零填充（padding） ， 为了提取图像边缘的信息， 并且保证输出特征图的尺寸满足要求， 可以对输入图像边缘填充一个全 为0的边框， 边框的像素宽度就是padding。

参数共享， 对输入的照片， 用一个或者多个filter扫描图像， filter自带的参数就是权重， 在同一个filter扫描的图层当中， 每 个filter使用同样的参数进行加权计算。

2、多通道卷积

在卷积神经网络里， 通道又分输入通道和输出通道。 输入通道：如是彩色图片，起始的输入通道就是3。如是中间层的卷积，输入通道就是上一层 的输出通道个数，计算方法是，每个输入通道的图片都使用同一个卷积核进行卷积操作，生成 与输入通道匹配的feature map（比如彩色图片就是3个），然后再把这几张feature map相同位 置上的值加起来，生成一张feature map。 输出通道：想要输出几个feature map，就放几个卷积核，就是几个输出通道。

二、主流卷积网络模型