[4]卷积神经网络理解篇

在第一篇keras训练银行卡中中有一个cnn模型。有这么一段代码：

model.add(Convolution2D(32, 1, 3, 3, border_mode='full'))

model.add(Activation('relu'))

model.add(Convolution2D(32, 32, 3, 3))

model.add(Activation('relu'))

model.add(MaxPooling2D(poolsize=(2, 2)))

model.add(Dropout(0.25))


model.add(Flatten())

model.add(Dense(32＊(27//2)＊(19//2), 128))

model.add(Activation('relu'))

model.add(Dropout(0.2))


model.add(Dense(128, nb_classes))

model.add(Activation('softmax'))

刚开始接触cnn的可能不知道这段代码是干啥用的，下面来一行行分析吧。
第一行model.add(Convolution2D(32, 1, 3, 3, border_mode='full'))
，向模型中添加一个卷积层。其中参数32表示卷积核的个数，32个，卷积计算后每个卷积核将产生一个通道，1表示输入图片通道数，由于这里第一步的输入用的是单通道的灰度图，所以传1，后面两个3是卷积核的大小，3＊3的矩阵。border_mode＝‘full’，表示输入的矩阵边界补0，什么意思呢，比如你输入的是一个27＊19的图片，边界补0后，他就变成了（27+2）＊（19+2）的矩阵，上下左右各补一行0.
卷积计算过程：

conv

那么输入的图片经过第一层的卷积计算后，我们将得到32个27＊19的矩阵。为什么还是27＊19？卷积核的大小是3＊3，得到的高度应该就是 27+2(上下边界补的0)－3(卷积核高度)＋1=27，以此类推宽度也还是19。

第二行model.add(Activation('relu'))
，添加一个激活层，激活函数使用relu（线性纠正函数），实际上就是 f(x)= max(0,x),把矩阵中所有小于0的数字置0.这样可以一直保持一层一层下去的数值范围是可控的，常见的激活函数还有：
sigmoid：控制在[0, 1]
tanh：控制在[-1, 1]
还有好多新的激活函数，这儿就不举例了，知道它们的作用就OK。

第三行，第四行实际上还是跟一二行一行，卷积＋激活。

第五行model.add(MaxPooling2D(poolsize=(2, 2)))，降采样，就是用一个值来代替一块区域，这个值可以是区域的平均值，最大值，最小值等等，反正有代表性就好了，这个层的目的就是减少数据量。这里使用MaxPooling，也就是取2*2的矩阵中最大的那一个代表这一块的特征。 经过降采样后，原来27＊19的矩阵就只有一半大了，即(27//2)＊(19//2)那么大。

第六行：model.add(Dropout(0.25))

。 Dropout是在训练过程中以一定概率1-p将隐含层节点的输出值清0，而用bp更新权值时，不再更新与该节点相连的权值。什么意思，就是这个就是个概率问题，和权值的大小，激活程度无关哦，被抽中的结点无条件被丢掉。Dropout简单理解，可参考这里
第七行 ：model.add(Flatten())
。Flatten 顾名思义就是将一个多维矩阵展开，铺平成一个一维的向量。这一步实际上是为后面的全连接做准备。
第八行： model.add(Dense(32＊(27//2)＊(19//2), 128))
。添加一个矩阵计算，上一步Flatten得到的向量实际上是长度为32＊(27//2)＊(19//2)的一维向量。经过这一步的矩阵相乘得到的就是一个长度为128的一维向量。

下面model.add(Dense(128, nb_classes))
。上一步得到的1＊128矩阵与 128＊nb_classes矩阵相乘。得到的结果是一个 1＊nb_classes的矩阵（nb_classes分类个数，数字分类0～9）。

最后一行softmax激活函数。未完待续......