深度学习之——卷积神经网络CNN

1. 什么是卷积神经网络

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一

2. 卷积神经网络的历史

最有代表性的LeNet-5是由卷积层、池化层、全连接层的顺序连接组成。

2012年的AlexNet在LeNet的基础之上加深了网络的结构，来学习图像更高维的特征。网络的层数更多，使用层叠的卷积层，即卷积层+卷积层+池化层，来提取图像的特征，增加Dropout曾来减少过拟合的风险，使用Relu作为激活函数，放弃Sigmoid。

3. CNN

卷积神经网络是包含一个或多个卷积层的神经网络。

3.1 卷积层是包含一个或多个滤波器(filter)的层。每一层包括2步：

Step1：卷积

通过n个Fileter（滤波器）相乘相加实现卷积可以增强原信号特征，并且降低噪音。得到的n层结果被称为Feature Map

如果希望卷积之后的图片不变小，那就做zero padding

Step2：最大池化Max Pool

降采样不会降低物体的可辨识性。

3.2 若干层后最后进行全连接，FC:得到一个一维向量。

优点：

1) 局部性：通过滤波器（局部性和权值共享）减少了神经网络需要训练的参数的个数。

2) 权值共享：极大减少参数数目，需要提取不同的特征，可以设计多个不同的滤波器。参数数目比全连接网络大大降低。

 

更详细介绍可参考：CNN详细介绍