必看 | 卷积神经网络的一般框架

在这一节中我们将具体介绍一个卷积神经网络的基本框架，这个框架能更有效地帮助我们理解卷积神经网络的组成。

从图中我们可以看到，主要包含着输入层、卷积层、池化层、全连接层、激励层( 一般用softmax函数，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类)这5个结构，下面我们分别对其进行解析。

输入层

输入层是整个神经网络的一个输入，在处理图像分类问题时，一般输入的都是一张图片的像素矩阵，一般黑白图片就只有一个通道，所以深度就是1；彩色图片的一般都有3个通道，（RGB，red+green+blue），所以深度就是3。

有3种常见的图像数据处理方式：

1. 去均值：把输入数据各个维度都中心化到0。

2. 归一化：幅度归一化到同样的范围。

3. PCA/白化：用PCA降维，白化是对数据每个特征轴上的幅度归一化。

CNN里一般只做去训练集的均值。

卷积层—CONV layer

卷积计算层是卷积神经网络的核心，这个操作在物理上是可解释的。我们知道神经网络是全连接的，卷积网络不是，是局部关联的。过程是：每个神经元看做一个滤波器filter，filter对局部数据计算。取一个数据窗口，这个数据窗口不断地滑动，直到覆盖所有样本。上图所示中一共有2个卷积层，常用的卷积核大小有3x3和5x5

三个重要参数： 1-depth 深度 相当于神经元的个数 2-stide 步长 3-padding 填充值 保证在移动的时候，可以整除stride

池化层

池化层夹在连续的卷积层中间，用于压缩数据和参数的量、减小过拟合。

全连接层

如图所示，池化层后面连接了3个全接连层。我们可以将卷积层和池化层看成是图像特征提取的结果，在得到这些提取的特征后，为了完成分类任务仍然需要构建全连接层

激励层

激励层有一个激励函数，把卷积层输出结果做非线性映射。非线性的映射有：Sigmoid、Tanh、ReLU、Leaky ReLU、ELU、Maxout等，上图我们选用的是softmax函数，通过这一层，可以得到输入样例所属种类的概率分布情况。

此外，在CNN模型中，为了增强模型的泛化性，会有许多额外的处理方法，例如增加dropout层随机丢弃一部分节点的数据减轻过拟合；对权重进行L2正则化（注：L1正则化会制造稀疏特征，大部分无用特征的权重会置为0，而L2正则化让权重不过大，使得权重比较平均）；在每个卷积-最大池化层后面使用LRN层等方案。

在文章的最后我们总结一下CNN模型的一些特点：优点：a. 共享卷积核，对高维数据处理无压力；b. 无需手动选取特征，训练好权重，即得特征；c. 分类效果好缺点：a. 需要调参，需要大样本量，训练最好要用GPU；b. 物理含义不明确

关注小鲸融创，一起深度学习金融科技！