4.tensorflow——CNN

 

1.CNN结构:X-->CONV(relu)-->MAXPOOL-->CONV(relu)-->FC(relu)-->FC(softmax)-->Y

 

 

 

1.1 卷积层：提取特征，改变特征图的个数

• 卷积
• tensorflow卷积函数，tf.nn.conv2d(input=x,filter=W_conv1,strides=[1,1,1,1],padding='SAME')

1.2 池化层：缩小图片，不改变特征图个数

• 针对卷积层输出的特征图结果，为了提取一定区域的主要特征，并减少参数数量，防止模型过拟合。
• 除了MaxPooling,还有AveragePooling，顾名思义就是取那个区域的平均值。
• tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
• 池化带来的结果就是：图片缩小啦

1.3 全链层：特征组合

• 先将多维的数据进行“扁平化”，也就是把 (height,width,channel)的数据压缩成长度为 height × width × channel 的一维数组，然后再与 FC层连接，这之后就跟普通的神经网络无异了。

 

1.4 输出分类

 

 

2.相关辅助操作

• tf.truncated_normal(),截断正态分布随机数,https://blog.csdn.net/justgg/article/details/94362621

 

其他补充知识

1.卷积

 

• 滤波器（filter，也称为kernel），大小3×3。

 

• 用这个filter，往我们的图片上“盖”，覆盖一块跟filter一样大的区域之后，对应元素相乘，然后求和。计算一个区域之后，就向其他区域挪动，接着计算，直到把原图片的每一个角落都覆盖到了为止。这个过程就是 “卷积”。

 

• 通过设计特定的filter，让它去跟图片做卷积，就可以识别出图片中的某些特征，比如边界。
• CNN（convolutional neural network），主要就是通过一个个的filter，不断地提取特征，从局部的特征到总体的特征，从而进行图像识别等等功能。
• 这些filter及每个filter中的各个数字，就是参数，可以通过大量的数据，来 让机器自己去“学习”这些参数嘛。这，就是CNN的原理。

2.padding 填白

 

• 每次卷积，图像都缩小，这样卷不了几次就没了；
• 相比于图片中间的点，图片边缘的点在卷积中被计算的次数很少。这样的话，边缘的信息就易于丢失。
• 采用padding的方法。我们每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。

 

3.对多通道（channels）图片的卷积

 

• 输入图片是三维的（即增多了一个channels），比如是(8,8,3)
• filter的维度:(3,3,3),最后一维要跟输入的channel维度一致。这个时候的卷积，是三个channel的所有元素对应相乘后求和，也就是之前是9个(3X3)乘积的和，现在是27个(3X3X3)乘积的和。
• 如果用4个filter，则输出的维度则会变为(6,6,4)

 

4.激活函数

 

 5.softmax

• Softmax函数常用来最后的一层，并作为输出层进行多分类判别。

6.损失函数

•  

 

 

 卷积神经网络的精髓

 1.CNN，无非就是把FC改成了CONV和POOL，就是把传统的由一个个神经元组成的layer，变成了由filters组成的layer。

• 参数共享机制（parameters sharing）

 

 

那这一层我们需要多少个参数呢？需要 64×9 = 576个参数（先不考虑偏置项b）。因为每一个链接都需要一个权重w。

• 因为，对于不同的区域，我们都共享同一个filter，因此就共享这同一组参数。

• filter是用来检测特征的，那一个特征一般情况下很可能在不止一个地方出现，比如“竖直边界”，就可能在一幅图中多出出现，那么 我们共享同一个filter不仅是合理的，而且是应该这么做的。
• 由此可见，参数共享机制，让我们的网络的参数数量大大地减少。这样，我们可以用较少的参数，训练出更加好的模型，典型的事半功倍，而且可以有效地 避免过拟合。
  同样，由于filter的参数共享，即使图片进行了一定的平移操作，我们照样可以识别出特征，这叫做 “平移不变性”。

2.连接的稀疏性（sparsity of connections）

• 由卷积的操作可知，输出图像中的任何一个单元，只跟输入图像的一部分有关系：

 

• 传统神经网络中，由于都是全连接，所以输出的任何一个单元，都要受输入的所有的单元的影响。这样无形中会对图像的识别效果大打折扣。比较，每一个区域都有自己的专属特征，我们不希望它受到其他区域的影响。

 

1.lrn层https://blog.csdn.net/banana1006034246/article/details/75204013

2.数据集：www.cs.toronto.edu/~kriz/cifar.html

 

 

 

参考：https://www.jianshu.com/p/c0215d26d20a