目录
CNN = 卷积神经网络（Convolutional Neural Network）
一、图象基础知识
1、图像的构成
由像素点构成
2、图像的分类
- 灰度图像（单通道）
- 只有 1 个通道
- 每个像素：0～255
- 0 = 纯黑
- 255 = 纯白
- 形状：[H,W] 高 × 宽
- 彩色图像（RGB 三通道）
- R 红、G 绿、B 蓝 3 个通道
- 每个通道像素值：0～255
- 形状：[H,W,C] 高 × 宽 × 通道数
3、拓展知识
- PyTorch 格式：[B,C,H,W] 批次、通道、高、宽
- 黑白图不是只有黑色白色，是深浅灰色组成
- 彩色图 = 三张灰度图叠加（R/G/B 各一张）
总结速记版:
图片由像素组成，灰度单通道，RGB 三通道，数值 0 到 255，矩阵存储。
4、图像的加载方法
plt.imread()
plt.imshow()
二、卷积神经网络概述
1、什么是卷积神经网络?
**卷积神经网络（Convolutional Neural Network）**是含有卷积层的神经网络. 卷积层的作用就是用来自动学习、提取图像的特征。
2、卷积神经网络的组成
CNN网络主要由三部分构成：卷积层、池化层和全连接层构成：
卷积层负责提取图像中的局部特征；
池化层用来大幅降低参数量级(降维)；
全连接层用来输出想要的结果。
3、CNN概述
CNN要做的事情是：
给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车 那是什么车
最左边是 数据输入层：对数据做一些处理，比如去均值（各维度都减对应维度的均值，使得输入数据各个维度都中心化为0，避免数据过多偏差，影响训练效果）、归一化（把所有的数据都归一到同样的范围）、PCA等等。CNN只对训练集做"去均值"这一步。
中间是 卷积层(CONV)：线性乘积求和，提取图像中的局部特征
激励层(RELU)：ReLU激活函数,输入数据转换成输出数据
池化层(POOL)：取区域平均值或最大值，大幅降低参数量级(降维) 最右边是
全连接层(FC)：输出CNN模型预测结果
功能总结:
卷积层:特征提取
池化层:降维
全连接层:得到输出结果
三、卷积层
1、卷积计算
输入通过滤波器得到输出:
计算一下参数用二维表示:
1\]\[1\]=4 = 1\*1 +1\*0 +1\*1 + 0\*0+1\*1 +1+0 +0\*1 +0\*0 +1+1=4   \[2\]\[2\]=4= 1\*1 + 1\*0 + 1+1 +0\*1 +1\*1 +1\*0 + 0\*1 + 1\*0 +1\*1 =4 可以根据示意图计算一下其他位置的数据验证。 ###### 2、padding(填充) padding（填充）操作用于处理卷积时图像边缘的像素。 其目的是在输入图像的边界周围添加额外的像素（通常是零），从而解决卷积操作时边缘信息丢失的问题。 ###### 3、stride（步长） stride（步长）指的是卷积核在图像上滑动时的步伐大小，即每次卷积时卷积核在图像中向右（或向下）移动的像素数。步长直接影响卷积操作后输出特征图的尺寸，以及计算量和模型的特征提取能力。 ###### 4、多通道卷积计算  ###### 5、多卷积核计算   ###### 6、特征图大小 输出特征图的大小与以下参数息息相关: size: 卷积核/过滤器大小，一般会选择为奇数，比如有 1\*1 、3\*3、5\*5 Padding: 零填充的方式 Stride: 步长 那计算方法如下图所示: 输入图像大小: W x W 卷积核大小: F x F Stride: S Padding: P 输出图像大小: N x N 计算公式:  计算示例: > 以下图为例: > > 图像大小: 5 x 5 > > 卷积核大小: 3 x 3 > > Stride: 1 > > Padding: 1 > > (5 - 3 + 2) / 1 + 1 = 5, 即得到的特征图大小为: 5 x 5  ###### 7、卷积层API ```python conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding) """ 参数说明： in_channels: 输入通道数， out_channels: 输出通道，也可以理解为卷积核kernel的数量 kernel_size：卷积核的高和宽设置，一般为3,5,7... stride：卷积核移动的步长 padding：在四周加入padding的数量，默认补0 """ ``` #### 四、池化层 ###### 1、池化层的作用 池化层 (Pooling) 降低维度, 从而减少计算量、减少内存消耗，并提高模型的鲁棒性。 ###### 2、池化分类 (1) 最大池化 (2）平均池化  ###### 3、池化层API ```python # 最大池化 nn.MaxPool2d(kernel_size=2, stride=2, padding=1) # 平均池化 nn.AvgPool2d(kernel_size=2, stride=1, padding=0) ```