文章目录
一、卷积神经网络与传统网络的区别：
1、区别
NN与CNN
2、整体架构
- 输入层：输入H W C三维图像
C：Channel，通道数，表示一张图像中的通道数
H：Height，高度，表示图像垂直维度的像素数
W：Width，宽度，表示图像水平维度的像素数 - 卷积层：特征提取
- 池化层：特征压缩
- 全连接层
2.1、卷积层
- 卷积做了什么事？
-
将输入的图片分割成多个区域
-
将多个区域进行特征提取
-
假如第一个区域是3×3
-
一组权重参数得到一个特征值
-
选择特征值最大的保留特征
图像颜色通道
三个颜色通道
特征值
- Filter参数（3 * 3 * 3）卷积核，每3*3个区域进行一个区域选择一个特征值。
- 内积做计算，对应位置相乘，结果相加。
- 计算第一个区域特征值=3
- 特征图（3×3×2）
特征图：通过不同助手filter生成多种特征图
更加丰富的特征图
2.2、只做一次卷积就可以了吗？
堆叠的卷积层
将输入数据32×32×3特征提取28×28×6再次卷积24×24×10
2.3、卷积层涉及参数
-
滑动窗口步长（步长小了，特征更加细节）
-
卷积核尺寸（3×3or4×4）
-
边缘填充（边界的数据利用次数少，内部的数据利用次数多，然而边缘的数据却不一定不重要，所以要将边界填充为0，增加边界利用次数。加0的原因是为了不让增加的扩充对结果产生影响）
-
卷积核个数（要得到多少个特征图）
2.4、卷积结果计算公式
其中W1、H1表示输入的宽度 、长度 ；W2、H2表示输出特征图的宽度、长度F表示卷积核长和宽的大小 ；S表示滑动窗口的步长 ；P表示边界填充（加几圈O ）。
如果输入数据是32323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，最终输入的规模为？
(32-5+2 * 2）/1+1=32,所以输出规模为32 * 32 * 10,经过卷积操作后也可以保持特征图长度、宽度不变。
2.5、卷积参数共享
二、池化层
1、池化
压缩特征图
2、最大化池
选择最大的值（2×2）
三、卷积神经网络全连接层
1、全连接层
- 两次卷积一次池化
- conv跟relu搭配
- 最后得到32×32×10特征图
- FC全连接层
- 最后的特征图转换为特征向量10240个
- 全连接层特征矩阵10240,5
2、特征图变化
四、经典网络
4.1、Alexnet：
8层网络，5层卷积，3层全连接
4.2、Vgg：
所有卷积大小都是3×3，细密度特征提取，经过pooling后损失一些信息，vgg经过每个pooling为了弥补损失的信息，使得特征图翻倍。
16层到19层
相同任务vgg准确率比Alex net 高出了15%的准确率，但是Alex net 训练8小时，但是vgg需要训练3天
4.3、Resnet
深层网络遇到的问题：
56层的layer比20层的layer要差，怎么解决这个问题呢，什么造成了这原因。加入的这36层中，有错误的值影响到了整个的正确率。
在加入的这36层中，把能促进正确率提升的数据加入，把不好的数据抛弃
解决方案，把表现不好的参数设置权重为0，
x假如为20层后的某一层，进行了一次卷积，在进行一次卷积，得到的结果可能不好，所以要额外的连接一条，如果结果不好的话，就把x设置为0，好的就加上，不好的就舍去，取0值
H（x）=F（x）+x
