cnn神经网络（cnn神经网络模型）



一、什么是卷积神经网络

  卷积神经网络（Convolutional Neural Networks, CNN）这个概念的提出可以追溯到二十世纪80~90年代，但是有那么一段时间这个概念被“雪藏”了，因为当时的硬件和软件技术比较落后，而随着各种深度学习理论相继被提出以及数值计算设备的高速发展，卷积神经网络得到了快速发展。那究竟什么是卷积神经网络呢？以手写数字识别为例，整个识别的过程如下所示：

 以上过程就是识别手写数字的全部过程，这个项目我之前也写过相关博客并开源了代码，感兴趣的同学可查阅： 基于CNN的MINIST手写数字识别项目代码以及原理详解。话说回来，可以看到整个过程需要在如下几层进行运算：

输入层：输入图像等信息

卷积层：用来提取图像的底层特征

池化层：防止过拟合，将数据维度减小

全连接层：汇总卷积层和池化层得到的图像的底层特征和信息

输出层：根据全连接层的信息得到概率最大的结果

  可以看到其中最重要的一层就是卷积层，这也是卷积神经网络名称的由来，下面将会详细讲解这几层的相关内容。

二、输入层

  输入层比较简单，这一层的主要工作就是输入图像等信息，因为卷积神经网络主要处理的是图像相关的内容，但是我们人眼看到的图像和计算机处理的图像是一样的么？很明显是不一样的，对于输入图像，首先要将其转换为对应的二维矩阵，这个二位矩阵就是由图像每一个像素的像素值大小组成的，我们可以看一个例子，如下图所示的手写数字“8”的图像，计算机读取后是以像素值大小组成的二维矩阵存储的图像。

上图又称为灰度图像，因为其每一个像素值的范围是0~255（由纯黑色到纯白色），表示其颜色强弱程度。另外还有黑白图像，每个像素值要么是0（表示纯黑色），要么是255（表示纯白色）。我们日常生活中最常见的就是RGB图像，有三个通道，分别是红色、绿色、蓝色。每个通道的每个像素值的范围也是0~255，表示其每个像素的颜色强弱。但是我们日常处理的基本都是灰度图像，因为比较好操作（值范围较小，颜色较单一），有些RGB图像在输入给神经网络之前也被转化为灰度图像，也是为了方便计算，否则三个通道的像素一起处理计算量非常大。当然，随着计算机性能的高速发展，现在有些神经网络也可以处理三通道的RGB图像。

现在我们已经知道了，输入层的作用就是将图像转换为其对应的由像素值构成的二维矩阵，并将此二维矩阵存储，等待后面几层的操作。

三、卷积层

  那图片输入进来之后该怎么处理呢？假设我们已经得到图片的二维矩阵了，想要提取其中特征，那么卷积操作就会为存在特征的区域确定一个高值，否则确定一个低值。这个过程需要通过计算其与卷积核（Convolution Kernel）的乘积值来确定。假设我们现在的输入图片是一个人的脑袋，而人的眼睛是我们需要提取的特征，那么我们就将人的眼睛作为卷积核，通过在人的脑袋的图片上移动来确定哪里是眼睛，这个过程如下所示：

通过整个卷积过程又得到一个新的二维矩阵，此二维矩阵也被称为特征图（Feature Map），最后我们可以将得到的特征图进行上色处理（我只是打个比方，比如高值为白色，低值为黑色），最后可以提取到关于人的眼睛的特征，如下所示：

看着上面的描述可能有点懵，别急，首先卷积核也是一个二维矩阵，当然这个二维矩阵要比输入图像的二维矩阵要小或相等，卷积核通过在输入图像的二维矩阵上不停的移动，每一次移动都进行一次乘积的求和，作为此位置的值，这个过程如下图所示：

可以看到，整个过程就是一个降维的过程，通过卷积核的不停移动计算，可以提取图像中最有用的特征。我们通常将卷积核计算得到的新的二维矩阵称为特征图，比如上方动图中，下方移动的深蓝色正方形就是卷积核，上方不动的青色正方形就是特征图。

有的读者可能注意到，每次卷积核移动的时候中间位置都被计算了，而输入图像二维矩阵的边缘却只计算了一次，会不会导致计算的结果不准确呢？

  让我们仔细思考，如果每次计算的时候，边缘只被计算一次，而中间被多次计算，那么得到的特征图也会丢失边缘特征，最终会导致特征提取不准确，那为了解决这个问题，我们可以在原始的输入图像的二维矩阵周围再拓展一圈或者几圈，这样每个位置都可以被公平的计算到了，也就不会丢失任何特征，此过程可见下面两种情况，这种通过拓展解决特征丢失的方法又被称为Padding。

Padding取值为1，拓展一圈

Padding取值为2，拓展两圈

 那如果情况再复杂一些呢？如果我们使用两个卷积核去提取一张彩色图片呢？之前我们介绍过，彩色图片都是三个通道，也就是说一个彩色图片会有三个二维矩阵，当然，我们仅以第一个通道示例，否则太多了也不好介绍。此时我们使用两组卷积核，每组卷积核都用来提取自己通道的二维矩阵的特征，刚才说了，我们只考虑第一通道的，所以说我们只需要用两组卷积核的第一个卷积核来计算得到特征图就可以了，那么这个过程可见下图

看着上面的动图确实有些不知所措是吧，我来解释一下，按照刚才的思路，输入图片是彩色图片，有三个通道，所以输入图片的尺寸就是7×7×3，而我们只考虑第一个通道，也就是从第一个7×7的二维矩阵中提取特征，那么我们只需要使用每组卷积核的第一个卷积核即可，这里可能有读者会注意到Bias，其实它就是偏置项，最后计算的结果加上它就可以了，最终通过计算就可以得到特征图了。可以发现，有几个卷积核就有几个特征图，因为我们现在只使用了两个卷积核，所以会得到两个特征图。

以上就是关于卷积层的一些相关知识，当然，本文也只是一个入门，所以说还有一些比较复杂的内容没有进行深入阐述，这个就需要等到过后的学习与总结了

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/19404.html