卷积神经网络（CNN）理解

1、引言（卷积概念）

    在介绍CNN中卷积概念之前，先介绍一个数字图像中“边缘检测edge detection”案例，以加深对卷积的认识。图中为大小8X8的灰度图片，图片中数值表示该像素的灰度值。像素值越大，颜色越亮，所以为了示意，我们把右边小像素的地方画成深色，图的中间两个颜色的分界线就是我们要检测的边界。

    该怎么检测边界呢？我们可以设计这样的一个 滤波器（filter，也称为kernel），大小3×3：

      然后，我们用这个filter，往我们的图片上“盖”，覆盖一块跟filter一样大的区域之后，对应元素相乘，然后求和。计算一个区域之后，就向其他区域挪动，接着计算，直到把原图片的每一个角落都覆盖到了为止。这个过程就是 “卷积”。 （我们不用管卷积在数学上到底是指什么运算，我们只用知道在CNN中是怎么计算的。） 这里的“挪动”，就涉及到一个步长，假如我们的步长是1，那么覆盖了一个地方之后，就挪一格，容易知道，总共可以覆盖6×6个不同的区域。

      通过上述操作，发现边界被准确探测出。

      卷积神经网络（CNN）中的卷积，就是通过一个个的filter，不断地提取特征，从局部的特征到总体的特征，从而进行图像识别等等功能。

      那么问题来了，我们怎么可能去设计这么多各种各样的filter？首先，我们都不一定清楚对于一大堆图片，我们需要识别哪些特征，其次，就算知道了有哪些特征，想真的去设计出对应的filter，恐怕也并非易事，要知道，特征的数量可能是成千上万的。

      其实学过神经网络之后，我们就知道，这些filter，根本就不用我们去设计，每个filter中的各个数字，不就是参数吗，我们可以通过大量的数据，来让机器自己去“学习”这些参数嘛。这就是CNN的原理。

2、CNN基本概念

      在理解CNN中卷积概念后，有一些基本概念需要理解，包括padding填白、stride步长、pooling池化、对多通道图片卷积。

2.1 padding填白

      从上面的引子中，我们可以知道，原图像在经过filter卷积之后，变小了，从(8，8)变成了(6，6)。假设我们再卷一次，那大小就变成了(4，4)了。

      这样有啥问题呢？ 主要有两个问题： 每次卷积，图像都缩小，这样卷不了几次就没了；  相比于图片中间的点，图片边缘的点在卷积中被计算的次数很少。这样的话，边缘的信息就易于丢失。

       为了解决这个问题，我们可以采用padding的方法。我们每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。

      比如，我们把(8，8)的图片给补成(10，10)，那么经过(3，3)的filter之后，就是(8，8)，没有变。

      我们把上面这种“让卷积之后的大小不变”的padding方式，称为 “Same”方式， 把不经过任何填白的，称为 “Valid”方式。这个是我们在使用一些框架的时候，需要设置的超参数。

2.2 stride步长

      前面我们所介绍的卷积，都是默认步长是1，但实际上，我们可以设置步长为其他的值。 比如，对于(8，8)的输入，我们用(3，3)的filter， 如果stride=1，则输出为(6，6); 如果stride=2，则输出为(3，3)。

      举栗子：

• 栗子1：stride=1，padding=0（遍历采样，无填充：padding=‘valid’）
• 栗子2：stride=1，padding=1（遍历采样，有填充：padding=‘same’）
• 栗子3：stride=2，padding=0（降采样，无填充：尺寸缩小二点五分之一）
• 栗子4：stride=2，padding=1（降采样，有填充；尺寸缩小二分之一）

      Stride的作用：是成倍缩小尺寸，而这个参数的值就是缩小的具体倍数，比如步幅为2，输出就是输入的1/2；步幅为3，输出就是输入的1/3。

 
栗子1：  一个特征图尺寸为4*4的输入，使用3*3的卷积核，步幅=1，填充=0
        输出的尺寸=(4 - 3)/1 + 1 = 2

栗子2：  一个特征图尺寸为5*5的输入，使用3*3的卷积核，步幅=1，填充=1
        输出的尺寸=(5 + 2*1 - 3)/1 + 1 = 5

 
栗子3：  一个特征图尺寸为5*5的输入， 使用3*3的卷积核，步幅=2，填充=0
         输出的尺寸=(5-3)/2 + 1 = 2

 
栗子4：  一个特征图尺寸为6*6的输入， 使用3*3的卷积核，步幅=2，填充=1
         输出的尺寸=(6 + 2*1 - 3)/2 + 1 = 2.5 + 1 = 3.5 向下取整=3
         （降采样：边长减少1/2）

      在PyTorch中，卷积层的步幅（stride）也是一个一维张量，通常包含两个或四个元素，具体取决于卷积层的类型（2D或3D卷积）。对于2D卷积层，步幅通常是一个包含两个元素的张量，格式为 [stride_height, stride_width]。对于3D卷积或其他更复杂的层，步幅可能包含四个元素，格式为 [stride_batch, stride_height, stride_width, stride_channel]，但这种情况较少见，因为通常不会在批处理维度或通道维度上应用步幅。

import torch.nn as nn
 
# 定义一个2D卷积层，步幅为(2, 2)
conv_layer = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=(2, 2), padding=1)

      在这个例子中，stride=(2, 2) 表示卷积核在高度和宽度方向上每次移动两个像素。这种设置通常用于减少特征图的尺寸，实现下采样。

 2.3 pooling池化

      这个pooling，是为了提取一定区域的主要特征，并减少参数数量，防止模型过拟合。 比如下面的MaxPooling，采用了一个2×2的窗口，并取stride=2：

      

      除了MaxPooling,还有AveragePooling，顾名思义就是取那个区域的平均值。

2.4 对多通道（channels）图片的卷积

      这个需要单独提一下。彩色图像，一般都是RGB三个通道（channel）的，因此输入数据的维度一般有三个：（长，宽，通道）。 比如一个28×28的RGB图片，维度就是(28，28，3)。

      前面的引子中，输入图片是2维的(8，8)，filter是(3，3)，输出也是2维的(6，6)。

      如果输入图片是三维的呢（即增多了一个channels），比如是(8，8，3)，这个时候，我们的filter的维度就要变成(3，3，3)了，它的最后一维要跟输入的channel维度一致。 这个时候的卷积，是三个channel的所有元素对应相乘后求和，也就是之前是9个乘积的和，现在是27个乘积的和。因此，输出的维度并不会变化。还是(6，6)。

      但是，一般情况下，我们会 使用多个filters同时卷积，比如，如果我们同时使用4个filter的话，那么 输出的维度则会变为(6，6，4)。

     图中的输入图像是(8，8，3)，filter有4个，大小均为(3，3，3)，得到的输出为(6，6，4)。

其实，如果套用我们前面学过的神经网络的符号来看待CNN的话，

• 我们的输入图片就是X，shape=(8，8，3)；
• 4个filters其实就是第一层神金网络的参数W1，shape=(3，3，3，4),这个4是指有4个filters;
• 我们的输出，就是Z1，shape=(6，6，4)；
• 后面其实还应该有一个激活函数，比如relu，经过激活后，Z1变为A1，shape=(6，6，4)；

所以，在前面的图中，我加一个激活函数，给对应的部分标上符号，就是这样的：

3、CNN的结构组成

      上面我们已经知道了卷积（convolution）、池化（pooling）以及填白（padding）是怎么进行的，接下来我们就来看看CNN的整体结构，它包含了3种层（layer）：

3.1 卷积层（Convolutional layer, conv）

      由滤波器filters和激活函数构成。 一般要设置的超参数包括filters的数量、大小、步长，以及padding是“valid”还是“same”。当然，还包括选择什么激活函数。

3.2 Pooling layer（池化层-pool）

     这里里面没有参数需要我们学习，因为这里里面的参数都是我们设置好了，要么是Maxpooling，要么是Averagepooling。 需要指定的超参数，包括是Max还是average，窗口大小以及步长。 通常，我们使用的比较多的是Maxpooling,而且一般取大小为(2，2)步长为2的filter，这样，经过pooling之后，输入的长宽都会缩小2倍，channels不变。

3.3 Fully Connected layer（全链接层-FC）

      全连接层（Fully Connected Layer），也称为密集层（Dense Layer），是神经网络中的一层，其中每个神经元都与前一层的所有神经元相连接。全连接层通常用于神经网络的最后几层，将学到的特征映射到最终的输出，例如分类任务的类别数。

      在全连接层中，每个神经元都有一组参数（权重和偏置），这些参数用于对输入数据进行线性变换，然后通过激活函数进行非线性变换。全连接层的输出是输入数据和权重矩阵的线性组合，再加上偏置向量。

参考博客：

【1】多通道图片的卷积_多通道卷积过程-CSDN博客

【2】CNN中stride（步幅）和padding（填充）的详细理解_cnn stride-CSDN博客