卷积神经网络理解（2）

目录

• 1、卷积神经网络的特点
• 2、卷积核如何获得的理解
• 3、卷积操作的理解
• 4、池化操作的理解
• 5、激活函数
• 6、全连接层 
• 7、softmax函数

 

---

回到顶部

1、卷积神经网络的特点

卷积神经网络相对于普通神经网络在于以下四个特点：

• 局部感知域：CNN的神经元只与输入数据的一小部分区域相连接，这使得CNN对数据的局部结构具有强大的敏感性，可以自动学习到图像的特征。
• 参数共享：在CNN中，同一个卷积核（filter）在整个输入图像上滑动，共享权重和偏置。这减少了网络的参数量，提高了模型的泛化能力。
• 池化层：通过池化层，CNN可以降低特征图的分辨率，减少计算量，同时保留主要的特征信息，提高了网络的抗噪能力和泛化能力。
• 层次化特征提取：通过堆叠多层卷积层和池化层，网络可以逐级提取图像的抽象特征，从低级特征如边缘到高级特征如纹理、形状等。

回到顶部

2、卷积核如何获得的理解

卷积核参数的学习是通过反向传播算法来实现的。

在卷积神经网络的训练过程中，首先随机初始化卷积核参数。

然后，通过前向传播将输入数据与卷积核进行卷积操作，得到输出特征图。

接着，将输出特征图与标签数据进行比较，计算损失函数。

最后，通过反向传播算法，根据损失函数的梯度更新卷积核参数，使得损失函数最小化。

总结起来：卷积神经网络的卷积核参数是通过反向传播算法学习出来的。
在训练过程中，通过前向传播将输入数据与卷积核进行卷积操作，得到输出特征图。
然后，通过计算损失函数并利用反向传播算法，根据梯度更新卷积核参数，使得网络能够自动提取输入数据中的特征。
这样，卷积神经网络就能够实现图像识别和计算机视觉任务。

回到顶部

3、卷积操作的理解

 

图像上每个像素点都是一个数据，我们可以把图像看出一个 n×m 的矩阵。

这里我们可以定义一个 x×y 的矩阵，这个矩阵就叫做卷积核。（按照上面的理解，初始的卷积核随机生成）

卷积核一般选择 3×3 或者 5×5 的，小尺寸的卷积核可以捕获图像中的局部特征，同时避免过度拟合。与较大的卷积核相比，小尺寸的卷积核需要更少的参数，因此层数可以更深，模型可以更加复杂。

举例说明：

设图像的矩阵为5X5的矩阵：

                                         

使用的卷积核是3X3的矩阵：

                                              

设步长为1，也就是卷积核每次移动一格

先取出图片矩阵中左上角3X3的矩阵：

                                             

将它们与卷积核相乘，这里不是矩阵的乘法，而是求内积，就是将两个矩阵对应位置的数相乘，然后再把数字相加起来.

即:

                                1 X 1 + 2 X 2 + 3 X 3 + 6 X 4 + 7 X 5 + 8 X 6 + 11 X 7 + 12 X 8 + 13 X 9 = 411

这样我们可以将运算后的结果放在矩阵中:

                                             

步长为1，就是将卷积核向右移动一格，接下来和卷积核进行卷积操作的矩阵是:

                                              

然后运算完成之后再填充入矩阵，放在411右边的位置。

对这一层的矩阵进行完卷积操作，由于步长为1，移动到下一层，如此循环，直到将图像遍历完成，就会输出一个比原图像小的矩阵：

                                                

 

步长改变为2

这里还可以将步长设置为2，对于图像来说，矩阵

与卷积核进行卷积后，跳过一格，接下来是与卷积核进行操作。在换行的时候也是跳过一格，是

        与卷积核进行操作，最后得到的是一个2 X 2 的矩阵。

 

增加偏置系数b

我们也可以在卷积运算的基础上加上一个偏置系数b  ,结果就是输出的矩阵每个数字都增加了 b。

拿刚才步长为1的情况来说，就是

                                     

填充

有时候为了让输出图像和原图像大小相等，还会在图像外围加上 padding 。

比如上面的5 X 5 矩阵，当padding = 1 时，

                                  

这样对图像用 3×3 ，步长为1的卷积核进行卷积操作后，就会得到 5×5 的矩阵了。

我们知道，在线性回归 中，已知的是X和 y ,我们要找的就是拟合数据的最优的W .

在卷积神经网络中，卷积核就是W ,它的初始值可以随便设，然后通过梯度下降法最小化损失函数来实现找到最优的卷积核参数。

至于卷积核该选择多大的,步长多少，要不要偏置系数，要不要padding。
对于不同的数据我们也得进行不同的分析，只有不断地尝试，才能够找到最优的方案。

回到顶部

4、池化操作的理解

池化可以对图片数据进行降维处理,常见的池化有最大池化，平均池化。

下面用 4×4 的矩阵来举例子:        

                                   

我们比如选择 2×2 的池化窗口,步长为1.     

最大池化就是对取最大值，即6,然后移动到中取最大值7，以此类推，步长同卷积操作，最后得到池化后的矩阵：

                                

平均池化就是对取平均值，例如，如果这时候不是整数，可以用向下取整的方式取3.

池化要考虑的同样有选择几乘几的池化窗口(池化核)，选择平均池化还是最大池化，步长为多少，
还有 padding操作，这里也需要根据具体情况具体分析。

回到顶部

5、激活函数

在卷积操作中，我们将卷积核和图像在对应位置上进行相乘，再求和，这是一个线性的变换。

我们还需要一些非线性的变换，来增加模型的表达能力。

相信看过卷积神经网络结构（CNN）的伙伴们都知道，激活函数无处不在，特别是CNN中，在卷积层后，全连接（FC）后都有激活函数Relu的身影，
那么这就自然不得不让我们产生疑问：
问题1、为什么要用激活函数？它的作用是什么？
问题2、在CNN中为什么要用Relu，相比于sigmoid，tanh，它的优势在什么地方？
对于第1个问题：由 y = w * x + b 可知，如果不用激活函数，每个网络层的输出都是一种线性输出，而我们所处的现实场景，其实更多的是各种非线性的分布。
这也说明了激活函数的作用是将线性分布转化为非线性分布，能更逼近我们的真实场景。

下面介绍常见的几种激活函数:

ReLU函数：  , 当x为负数时候  ， 当x 为正数的时候， 它为x。

                  例如图像:经过ReLU函数激活就会变成。

tanh(x)函数：

sigmoid函数：   

回到顶部

6、全连接层 

 当我们把图像进行多次(也可以一次)卷积、池化、激活函数操作后，图像会变得相对较小，这时我们可以将它们转换成一维向量。

 例如我们可以将 3×3 的矩阵转成 1×9 矩阵，然后我们可以放入全连接层。

                                                

 上图这些红色的点按列来看是3层，分别有9个，5个，2个数据点。比如我们进行2分类，最后一层就放2个点。

 这些连接每一层的黑色的线就是权重，它们的值和卷积核一样，也是随便设置的，之后会随着损失函数的降低会自动调整成最优的参数.

 前向传播

 这里拿下图来举个例子.

                                              

 我们通过卷积和池化的操作得到了图像，然后将图像展平为一维向量 [x1, x2, ........, xn].

例如这里的 x1,x2 ,我们设置一个全连接层，设置输出的那层是2个点，即 y1,y2 .

我们已经初始化好了 w1,w2,w3,w4 .

故y1 = x1w1 + x2w3 ， y2 = x1w2 + x2w4.

这样就将数据传入了下一层，由于我们是用梯度下降法更新权重，所以反向传播就是求偏导。

回到顶部

7、softmax函数

经过全连接层，我们进行几分类就会得到几个数据点。然后再对它们进行归一化处理，使这些数据点相加之和为1，并且每个点都是0~1之间的概率分布值。

softmax函数的表达式为 

softmax函数用到了指数函数,所以当x变化一点，变化会很大。能够将差距大的数值差距变得更大，容易区分；

但是，由于是指数函数，当x比较大的时候，会很大,容易出现数值溢出

当softmax作为输出节点的激活函数的时候，一般会将交叉熵作为损失函数。

因为 softmax函数将输出的数据转化成了一个个0~1之间的概率值。