卷积神经网络(CNN,ConvNet)

卷积神经网络(CNN,ConvNet)

卷积神经网络（CNN，有时被称为 ConvNet）是很吸引人的。在短时间内，变成了一种颠覆性的技术，打破了从文本、视频到语音等多个领域所有最先进的算法，远远超出了其最初在图像处理的应用范围。

CNN 由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成：

图 1 卷积神经网络的一个例子

Convnets 背后有三个关键动机：局部感受野、共享权重和池化。

局部感受野

如果想保留图像中的空间信息，那么用像素矩阵表示每个图像是很方便的。然后，编码局部结构，将相邻输入神经元的子矩阵连接成属于下一层的单隐藏层神经元。这个单隐藏层神经元代表一个局部感受野。请注意，此操作名为“卷积”，此类网络也因此而得名。

当然，可以通过重叠的子矩阵来编码更多的信息。例如，假设每个子矩阵的大小是 5×5，并且将这些子矩阵应用到 28×28 像素的 MNIST 图像。然后，就能够在下一隐藏层中生成 23×23 的局部感受野。事实上，在触及图像的边界之前，只需要滑动子矩阵 23 个位置。

定义从一层到另一层的特征图。当然，可以有多个独立从每个隐藏层学习的特征映射。例如，可以从 28×28 输入神经元开始处理 MNIST 图像，然后（还是以 5×5 的步幅）在下一个隐藏层中得到每个大小为 23×23 的神经元的 k 个特征图。

共享权重和偏置

假设想要从原始像素表示中，获得移除与输入图像中位置信息无关的相同特征的能力。一个简单的直觉就是，对隐藏层中的所有神经元使用相同的权重和偏置。通过这种方式，每层将从图像中学习到独立于位置信息的潜在特征。

理解卷积的一个简单方法是，考虑作用于矩阵的滑动窗函数。在下面的例子中，给定输入矩阵 I 和核 K，得到卷积输出。将 3×3 核 K（有时称为滤波器或特征检测器）与输入矩阵逐元素地相乘，以得到输出卷积矩阵中的一个元素。所有其他元素都是通过在 I 上滑动窗口获得的：

 

 

 图 2 卷积运算的一个例子：用粗体表示参与计算的单元

在这个例子中，一触及 I 的边界就停止滑动窗口（所以输出是 3×3）。或者，可以选择用零填充输入（以便输出为 5×5），这是有关填充的选择。

另一个选择是，关于滑窗所采用的滑动方式的步幅。步幅可以是 1 或大于 1。大步幅意味着，核的应用更少，以及更小的输出尺寸，而小步幅产生更多的输出并保留更多的信息。

滤波器的大小、步幅和填充类型是超参数，可以在训练网络时进行微调。

TensorFlow中的ConvNet

在 TensorFlow 中，如果想添加一个卷积层，可以这样写：

 

 参数说明如下：

• input：张量，必须是 half、float32、float64 三种类型之一。
• filter：张量必须具有与输入相同的类型。
• strides：整数列表。长度是 4 的一维向量。输入的每一维度的滑动窗口步幅。必须与指定格式维度的顺序相同。
• padding：可选字符串为 SAME、VALID。要使用的填充算法的类型。
• use_cudnn_on_gpu：一个可选的布尔值，默认为 True。
• data_format：可选字符串为 NHWC、NCHW，默认为 NHWC。指定输入和输出数据的数据格式。使用默认格式 NHWC，数据按照以下顺序存储：[batch，in_height，in_width，in_channels]。或者，格式可以是 NCHW，数据存储顺序为：[batch，in_channels，in_height，in_width]。
• name：操作的名称（可选）。

下图提供了一个卷积的例子：

 

 

 图 3 卷积运算的例子

池化层

假设要总结一个特征映射的输出。可以使用从单个特征映射产生的输出的空间邻接性，并将子矩阵的值聚合成单个输出值，从而合成地描述与该物理区域相关联的含义。

最大池化

一个简单而通用的选择是所谓的最大池化算子，输出在区域中观察到的最大输入值。在 TensorFlow 中，如果想要定义一个大小为 2×2 的最大池化层，可以这样写：

 

 参数说明如下：

• value：形状为 [batch，height，width，channels] 和类型是 tf.float32 的四维张量。
• ksize：长度 >=4 的整数列表。输入张量的每个维度的窗口大小。
• strides：长度 >=4 的整数列表。输入张量的每个维度的滑动窗口的步幅。
• padding：一个字符串，可以是 VALID 或 SAME。
• data_format：一个字符串，支持 NHWC 和 NCHW。
• name：操作的可选名称。

下图给出了最大池化操作的示例：

 

 图 4 池化操作的一个例子

平均池化

另一个选择是平均池化，它简单地将一个区域聚合成在该区域观察到的输入值的平均值。

TensorFlow 可以实现大量的池化层，并在线提供了一个完整的列表（https://www.tensorflow.org/api_guides/python/nn#Pooling）。总之，所有池化操作不过是给定区域的汇总操作。

ConvNet总结

CNN 基本上是几层具有非线性激活函数的卷积，以及将池化层应用于卷积的结果。每层应用不同的滤波器（成百上千个）。理解的关键是滤波器不是预先设定好的，而是在训练阶段学习的，以使得恰当的损失函数被最小化。已经观察到，较低层会学习检测基本特征，而较高层检测更复杂的特征，例如形状或面部。

由于有池化层，靠后的层中的神经元看到的更多的是原始图像，因此，能够编辑前几层中学习的基本特征。

到目前为止，描述了 ConvNet 的基本概念。CNN 在时间维度上对音频和文本数据进行一维卷积和池化操作，沿（高度×宽度）维度对图像进行二维处理，沿（高度×宽度×时间）维度对视频进行三维处理。对于图像，在输入上滑动滤波器会生成一个特征图，为每个空间位置提供滤波器的响应。

换句话说，一个 ConvNet 由多个滤波器堆叠在一起，学习识别在图像中独立于位置信息的具体视觉特征。这些视觉特征在网络的前面几层很简单，然后随着网络的加深，组合成更加复杂的全局特征。