深度学习二、CNN（卷积神经网络）概念及理论
一、卷积神经网络（CNN）
1、常见的CNN结构有：LeNet-5、AlexNet、ZFNet、VGGNet、ResNet等。目前效率最高的是ResNet。
2、主要的层次：
数据输入层：Input Layer
卷积计算层：CONV Layer
ReLU激励层：ReLU Incentive Layer（功能就是和激活函数一样，具有非线性的能力）
池化层：Pooling Layer（压缩形式，降低复杂度）
全联接层： FC Layer
备注 ：Batch Normalization Layer
3、详解Input Layer
和传统的神经网络一样，首先需要对输入的数据进行预处理。
（1） 去均值：将输入数据的各个维度中心化到0，例如X1(1,2,5)，那么平均值就是（1+2+5）／3 = 8/3，在用每一个元素减去8/3。
（2）归一化：将数据各个维度的幅度归一到同样的范围。（在去均值的基础上，再除以标准差）
（3）PCA／白化：（在cnn处理图片不用这个）
用PCA降维（去掉特征与特征之间的相关性）
白化石在PCA的基础上，对转换后的数据每个特征轴上的幅度进行归一化
例：（去均值和归一化）
例：PCA和白化
、
4、CONV Layer（卷积）
- 局部关联:每个神经元看做一个filter/kernal
- 窗口(receptive field)滑动，filter对局部数据进行计算
- 相关概念（深度:depth，步长:stride，填充值:zero-padding)
理解这张图
（1）可以把每一张图片分割成很多个神经元，如图最左边
(2) 每一个图片可用RGB（红、绿、蓝三个通道的颜色）三个方面来表示。
（3）filter可以看作是从几个角度来描述这个图片（比如说大小，形状），有几个角度，深度就是多少，那么每一个角度，就对应一组filter。
（4）如上图：一般的图片为正方形，步长s=2,窗口大小f=3，高度h=5,宽度w=5，填充p=1*2，满足（p+w-f+s）/s 能够被整除，输出为out输出矩阵的大小
卷积神经网络就是解决了全链接神经网络复杂度，进行局部感知，如 下图：
5、ReLU Layer(激活)
一班用ReLU，如果效果不好，可用Leak Relu
6、池化层 Pooling Layer
在连续的卷积层中间存在的就是池化层，主要功能是:通过逐步减小表征的空间尺寸来减小参数量和网络中的计算;池化层在每个特征图上独立操作。使用池化层可以压缩数据和参数的量，减小过拟合。
类似传统神经网络中的结构，FC层中的神经元连接着之前层次的所有激活输出; 换一句话来讲的话，就是两层之间所有神经元都有权重连接;通常情况下，在 CNN中，FC层只会在尾部出现
一般的CNN结构依次为:
INPUT
[[CONV -> RELU] * N -> POOL?]*M
[FC -> RELU] * K
[FC -> RELU] * K
FC
7、 初始化参数（在卷积神经网络中，可以看到神经元之间的连接是通过权重w以及偏置b实现的。在具 体的神经网络之前 ，需要初始化参数）
权重的初始化 ：
一般方式:很小的随机数(对于多层深度神经网络，太小的值会导致回传的梯度非常小)，一般随机 数是服从均值为0，方差未知(建议:2/n, n为权重数量，https://arxiv.org/pdf/1502.01852.pdf) 的高斯分布随机数列。
偏置项的初始化 ：
一般直接设置为0，在存在ReLU激活函数的网络中，也可以考虑设置为一个很小的数字
8、卷积神经网络正则化和Dropout
神经网络的学习能力受神经元数目以及神经网络层次的影响，神经元数目越大， 神经网络层次越高，那么神经网络的学习能力越强，那么就有可能出现过拟合的问题 。
Regularization：正则化，通过降低模型的复杂度，通过在cost函数上添加 一个正则项的方式来降低overfitting，主要有L1和L2两种方式
Dropout：通过随机删除神经网络中的神经元来解决overfitting问题，在每次迭代的时候，只使用部分神经元训练模型获取W和d的值（
每次丢掉一半左右的隐 藏层神经元，相当于在不同的神经网络上进行训练，这样就减少了神经元之间的依 赖性，即每个神经元不能依赖于某几个其它的神经元(指层与层之间相连接的神经 元)，使神经网络更加能学习到与其它神经元之间的更加健壮robust(鲁棒性)的 特征。另外Dropout不仅减少overfitting，还能提高准确率 ）
9、卷积神经网络训练的方法
在神经网络中一般采用Mini-batch SGD，主要包括以下四个步骤的循环:
（1）采样一个batch的数据
（2）前向计算损失loss
（3）反向传播计算梯度(一个batch上所有样本的梯度和)
（4）利用梯度更新权重参数
