李宏毅机器学习笔记07（CNN）

卷积神经网络（Convolutional Neural Network）

1、什么是CNN

　　什么卷积、为什么用CNN

2、实现CNN的步骤

　　input——>convolution——>max pooling——>...——>flatten——>fully connected network——>output

3、如何用keras搭建一个CNN

4、CNN分析

1、什么是CNN

　　1）什么卷积

　　1、卷积本质上是“加权求和”，在信号处理中是时间上的“加权求和”，在图像处理中是空间上的“加权求和”

　　2、在信号处理中，系统的响应不仅与当前时刻系统的输入有关，也跟之前若干时刻的输入有关，比如在t3时刻的响应Y（3）=Y（0）+Y（1）+Y（2），但常常系统中不是这样的，因为0时刻的响应不太可能在1时刻仍旧未变化，那么怎么表述这种变化呢，就通过h(t)这个响应函数与x(0)相乘来表述，表述为x(m)×h(t-m)，公式里的m指的  t 的变化量

　　　参考：http://muchong.com/html/201001/1773707.html

　　2）为什么用CNN

• 　机器识图的过程：机器识别图像并不是一下子将一个复杂的图片完整识别出来，而是将一个完整的图片分割成许多个小部分，把每个小部分里具有的特征提取出来（也就是识别每个小部分），再将这些小部分具有的特征汇总到一起，就可以完成机器识别图像的过程了。

　　　CNN的参数比全连接神经网络少得多，为什么CNN只用较少的参数就可以用于处理图像呢？这是因为图像具有以下三点特征：

• 　一些模式比整张图片小得多，例如“鸟喙”就比整张图片小得多；
• 　同样的模式可能出现在图像的不同区域，例如“鸟喙”可能出现在图片的左上方也可能出现在图像的中间；
• 　对图像的降采样不会改变图像中的物体。

　　　CNN的卷积层的设计对应着前两点，池化层的设计对应着第三点。 

2、实现CNN的步骤

　　input——>convolution——>max pooling——>...——>flatten——>fully connected network——>output

　　　　1、卷积层（CNN实际上是训练局部特征的）

•  　对应Property1：每一个Filter（待训练的参数）代表一个局部特征，假设现在两个特征（Filter1和Filter2）
•     对应Property2：用Filter1就能探测出在不同位置的同一个flatten，而不需要用不同的Filter

• 　　如果图片是彩色的，也就是说它是三通道的，还没卷积之前，可以说有3个通道，意味着每一个像素由3个数值表示。

 　　　　与全连接方式的对比：

• 　convolution的事情，就是把fully connected的部分参数拿掉
•    拿掉部分参数以后，剩下的参数权值共享

　　　　2、池化层

• 　目的是减少特征数量

　　　3、重复

　　　　4、Flatten

3、如何用keras搭建一个CNN　

• 　卷积前，一个pixel用多少个数值表示，取决于通道数
•    卷积后，一个pixel用多少个数值表示，取决于Filter个数，而通道数决定Filter的高
•    上一个卷积层有多少个Filter，下一层卷积input就有多少个通道

4、CNN分析

李宏毅机器学习笔记07（CNN）

原文：https://www.cnblogs.com/xxlad/p/11302699.html