机器学习之CNN

CNN–Convolutional NN（卷积神经网络）

CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等。
如下图是CNN的流程

下面是CNN的三个特点：
1.CNN针对的是某些特征，而不是整个图片的所有特征
2.CNN的相同的特征可以是出现在图片的不同的区域
3.CNN对图片减少像素是不会影响图片的

下面讲一下卷积Convolution:
下图是卷积的示意图，Filter是卷积模板，不同的模板提取不同的特征

对于三维的彩色图，其做法是一样的，只是变成了三张图，每张图都有Filter卷积模板

CNN相当于是全连接神经网络的简化版：

1.如下图，卷积模板与图片的卷积，得到结果。将图片与Filter都展开成一维的，从图中右边可以看出，并不是所有的输入都链接到每个神经元，因此减少了参数；又因为同一个Filter，链接到的神经元的参数w都是一样的，因此参数更少了！也就是参数共享

2.一般我们都不会只用一个卷积核对输入图像进行过滤，因为一个核的参数是固定的，其提取的特征也会单一化。多核

池化Pooling：

池化，即对一块数据进行抽样或聚合，例如选择该区域的最大值（或平均值）取代该区域：