深度学习——CNN

整理自：

https://blog.csdn.net/woaidapaopao/article/details/77806273?locationnum=9&fps=1

• 思想
• filter尺寸的选择
• 输出尺寸计算公式
• pooling池化的作用
• 常用的几个模型，这个最好能记住模型大致的尺寸参数

---

1.思想

改变全连接为局部连接，这是由于图片的特殊性造成的（图像的一部分的统计特性与其他部分是一样的），通过局部连接和参数共享大范围的减少参数值。可以通过使用多个filter来提取图片的不同特征（多卷积核）。

---

2.filter尺寸的选择

通常尺寸多为奇数（1，3，5，7） 

---

3.输出尺寸计算公式

输出尺寸=(N - F +padding*2)/stride + 1 
步长可以自由选择通过补零的方式来实现连接。

---

4.pooling池化的作用

虽然通过.卷积的方式可以大范围的减少输出尺寸（特征数），但是依然很难计算而且很容易过拟合，所以依然利用图片的静态特性通过池化的方式进一步减少尺寸。 

---

5.常用的几个模型，这个最好能记住模型大致的尺寸参数

名称	特点
LeNet5	–没啥特点-不过是第一个CNN应该要知道
AlexNet	引入了ReLU和dropout，引入数据增强、池化相互之间有覆盖，三个卷积一个最大池化+三个全连接层
VGGNet	采用1*1和3*3的卷积核以及2*2的最大池化使得层数变得更深。常用VGGNet-16和VGGNet19
Google Inception Net 我称为盗梦空间网络	这个在控制了计算量和参数量的同时，获得了比较好的分类性能，和上面相比有几个大的改进： 　　1、去除了最后的全连接层，而是用一个全局的平均池化来取代它； 　　2、引入Inception Module，这是一个4个分支结合的结构。所有的分支都用到了1*1的卷积，这是因为1*1性价比很高，可以用很少的参数达到非线性和特征变换。 　　3、Inception V2第二版将所有的5*5变成2个3*3，而且提出来著名的Batch Normalization； 　　4、Inception V3第三版就更变态了，把较大的二维卷积拆成了两个较小的一维卷积，加速运算、减少过拟合，同时还更改了Inception Module的结构。
微软ResNet残差神经网络(Residual Neural Network)	1、引入高速公路结构，可以让神经网络变得非常深 2、ResNet第二个版本将ReLU激活函数变成y=x的线性函数