卷积神经网络

卷积神经网络基本知识

卷积运算:将图像拆分成对应的特点，被称为卷积核。然后查看被识别图像有无对应的卷积核来确认是否为目标物体。
用卷积核扫描目标图得出的一个二维图为特征图。

但是这样的话，岂不是有多少个卷积核就要扫描多少遍？
对于一个有大量细节，或者说相当数量分层级的细节来说，这样算法的复杂度是很高的。
所以有池化（pooling）。即缩小特征图（Feature Map）
有最大池化：选择被扫描区域内的最大值
和平均池化：取被扫描区域内的平均值 等池化方式。
在处理边缘时的操作(在图片在外圈补0)称为（Padding）
如果对图像采用最大池化，则在边缘补零来提取边缘特征
池化要求一定要保留原特征图的特征

激活函数:将图片中的负数值全部变为0.
卷积计算中的一个基本流程为：将原图转换为像素点，卷积，ReLU（修正线性单元），池化（下采样）
然后把得到的最简单的特征图们展开得到一条特征数组

然后就是全连接的操作，对数组按目标图的数组权值操作得到一个判断是否为目标的概率数。

全连接可以放好多层。
用大数据修正卷积核和全链接的行为叫机器学习
然后用反向传播（backpropagation）的算法不断修正用来处理特征数组的权链接。
得到越来越令人满意的网络。

损失函数:将神经网络得到的结果与真实的结果进行比较。
所以甚至一开始的卷积核和权链接是随机的，只要给出的数据和反馈足够多
仍然可以得到正确的算法网络

经典卷积神经网络LeNet

1. LeNet是早期成功的神经网络
2. 先使用卷积层来学习图片空间信息
3. 然后使用全连接层来转换到类别空间

深度卷积神经网络AlexNet

相对于LeNet的主要改进:

• 丢弃法
• ReLu
• MaxPooling

人工特征提取——>SVM 

通过CNN学习特征——>Softmax回归

AlexNet与LeNet模型相比较:

使用了更大的池化窗口，使用最大池化层

使用的核窗口和步长，因为图片更大了

新加了3层卷积层

更多的输出通道

激活函数从sigmoid 变到了ReLu（减缓梯度消失）

隐藏全连接层后加入了丢弃层

数据增强