深度学习之CNN简介

欢迎转载，可以关注博客：http://blog.csdn.net/cqy_chen

本来想把CNN的一个kaggle比赛和这个放在一起，结果软件一直出问题。就先把这部分贴上。后面再奉上CNN实战的代码。

深度学习概述

传统的机器学习和深度学习一个很重要的差别就是特征的自动提取。深度学习现在更适合处理一些原始信息的特征，比如图片识别，音频，视频等。比如图片可以通过像素作为原始的特征，通过卷积神经网络不断的提取特征，最后再在这些特征上进行学习。对于音频就是通过声音的声波作为特征。
深度学习可以参考书籍：https://item.jd.com/12128543.html
深度学习的课程可以参考：https://www.coursera.org/learn/neural-networks/home

本节主要是讲解图像识别案例，这里就稍微提一下。

CNN(卷积神经网络)

图像识别中采用卷积神经网络，这里大致的介绍下CNN的运行原理。在很久以前呢其实图像识别采用的是传统的方法，比如SVM。在12年的ImageNet大会中，来自多伦多大学的 Geoffrey Hinton、Ilya Sutskever 和 Alex Krizhevsky 提交了名为“AlexNet”的深度卷积神经网络算法，这种算法的图形识别错误率低至 16%，比第二名低超过 40%。可以这么说，人工智能在“看特定的图”这件事上第一次接近了人类。
这里提一下上面提到的深度学习课程就是由Geoffrey Hinton 讲授的。
而图像识别中的神经网络一般会采用卷积神经网络，即CNN。

层级结构

一般的神经网络采用了全连接的方式，这样的话会导致参数量太大。Cnn以及rnn都修改了网络结构以使其能达到特定的功能。
全连接的神经网络如下：

隐层的话其实可以是0~N多层，如果没有隐层，而激活函数又采用了逻辑函数，那么就成了逻辑回归模型了。这里只画了两层。
而卷积神经网络主要有以下几种层次
1）数据输入层
2）卷积计算层
3）Relu激活层
4）池化层
5）全连接层
6）输出层

数据输入层

数据输入层和全连接层一样的，就是第0层。一般来说图形图像处理前需要进行数据的预处理，比如图片的大小放缩到一致，主要有如下的处理方法：
1）去均值，比如一个图片的像素，RGB形式的吧，范围都在0~256之间。将其都减去均值，得到每个特征的维度均值为0.
2）归一化，就是降维度的数值缩放到一个幅度内。
3）降维

卷积计算层

这个应该是CNN的一个比较关键的地方了，首先看卷积运算，卷积是对两个实变函数的一种数学运算。这里不想讲的太复杂，比如

这里x是输入，w是核函数就是需要将x转换到其他的特征中。下面将二维平面的情况展示：

这是进行了一次的卷积运算，这里我们很明显的知道参数共享的。在一次卷积运算的过程中，这些kernel是保持不变的。变得是每次滑动窗口的数据。
这里介绍三个相关的概念：
1）步长，如上图是1。
2）滑动窗口，上面的是一个2*2的大小。
3）填充值，因为在步长大于1的情况下，可能导致滑动窗口在向右移动的过程中，右边没有值了，这个时候需要值进行填充，一般采用0值填充。还有一个原因就是当步长为1的时候，如果不进行填充会导致输出的维度低于输入的维度，这样经过几次迭代，就没有输入了……
形象化的如下图，周围补了一圈的0填充。

注意这里只是一个下一层的一个神经元的情况如果是n个，就会有n次卷积运算了。

Relu激活层

当通过卷积运算之后需要经过激活函数进行非线性变换。常的激活函数如下：
1)Sigmoid
2)Relu
3)Tanh
4)Elu
5)Maxout
6)Leaky relu
可以参考：https://en.wikipedia.org/wiki/Activation_function

在cnn中有如下一些经验：
1）CNN尽量不要用sigmoid ，因为sigmoid会导致梯度消失问题。
2）首先使用relu
3）然后使用leaky relu
4）如果不行，采用maxout

池化层

由于图片的像素点很多，如果不进行压缩处理，那么会导致参数过多，就过拟合啦。所以需要将图片大小进行压缩。那咋个压缩呢？只能采用下采样啦。如下图所示：

这个有点像卷积计算，但是呢，没有kernel。一般采用的是
1）Max
2）Average
两种下采样方式，不过用的多的还是max。因为average会带来新的特征值，不太好。

全连接层

经过了若干的卷积层，池化层，在输出层的前一层，加一个全连接层，用于最后的输出。
输出层
最后就是再次通过一个激活函数输出数据了。
总的层级结构如下：

一般来说，CNN的结构中，会有若干的卷积层，然后通过激活层，然后池化，然后继续卷积等等，最后全连接输出数据。不过有的也不用全连接做最后一层，用一维的卷积层代替。

正则化

在深度学习中，优化算法基本都是采用的SGD。正则化不是像传统的方式L1或者L2。而是通过一定的概率丢弃神经网络节点，这就被称为dropout
如下图所示，每次运算的时候随机的使一些节点失效。或者可以理解，选择神经节点服从一个概率分布。

通过dropout的方式可以防止过拟合
1）神经元的个数少了，参数减小，那么根据机器学习的VC维可以得到过拟合风险减小。
2）通过随机的丢弃一些神经元，可以组成不同的神经网络，最后做到一个aggregation的神经网络，就像随机森林一样的的想法。

典型结构

CNN常见的结构有：
1）LeNet ，最早用于数字识别
2）AlexNet ，2012年的视觉大赛冠军
3）ZF Net，2013年的视觉大赛冠军
4）Google Net，2014年
5）VGG Net，2014年
6）ResNet，2015年，152层。
具体可以参考：http://blog.csdn.net/u012905422/article/details/53312302
计算机视觉竞赛可以参考：http://image-net.org/ 里面每年的winner可以看看其使用的结构。

欢迎转载，可以关注博客：http://blog.csdn.net/cqy_chen