[人工智能-深度学习-28]：卷积神经网络CNN - 网络架构与描述方法

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120806599

---

目录

第1章 卷积神经网络总体概述

1.1 什么是卷积神经网络

1.2 卷积神经网络的总体框架

1.3 卷积神经神经网络案例

第2章 卷积神经网络的描述方法

2.1 通道法、层内并行法

2.2 厚度法、层间串行法

2.3 神经网络的形状解读

第3章 卷积神经网络的本质

第4章卷积神经网络的发展与常见类型与分类

---

---

第1章 卷积神经网络总体概述

1.1 什么是卷积神经网络

1.2 卷积神经网络的总体框架

1.3 卷积神经神经网络案例

备注：

• 通常情况下，带训练参数的层，成称为网络的层数。
• RELU和POOL层本身不带有训练参数。

第2章 卷积神经网络的描述方法

2.1 通道法、层内并行法

通道法关注的是：

通道的数目，即为神经元的数目，与输入图形的三个RGB通道等位

而二维平面，即为每个神经元内部的W矩阵，长度 * 宽度就是每个神经元内部的参数的个数。

通道 * 二维矩阵描述了三维图片在CNN中的尺寸的变化，维度保持不变的变换过程，也反映了每一层参数的个数。

通道法的优缺点：

优点：

• 通道法把每个神经元看成是并行的排列，相对于厚度法，更加直观，直观的体现了单层内部的各个神经元之间的并发行、并行性。

缺点：

• 不方便表达不同层之间的图片处理的串行关系以及形状的变化！！！

2.2 厚度法、层间串行法

缺点：

（1）串行法把神经元在数据处理的方向叠加在了一起，神经元间的并行性看来其并不那么直观。

（2）由于把神经元叠加在了一起，就要求同层的每个神经元的形状必须相同！！！！

优点：

（1）表达神经网络层之间的串联结构就非常方便。

（2）表达神经网络层内部的三维结构（长*宽*高）也非常方便，直观。

（3）能够方便的表达数据在不同层之间的形状的变化关系：

• 厚度：反应了并行性的神经元个数的变化、即通道个数的变化。
• 长度*宽度（平面）：面积的变化，反应了每一层神经元形状的变化，每个神经元W参数的变化情况。
• 厚度 * 长度 * 宽度 =》某一个参数的个数（忽略个数极少的偏置参数）

（4）从输入到输出，表达方式统一、一致。

2.3 神经网络的形状解读

（1）现有神经网络案例解读

 输入层：深度为3，即个通道，每个通道的二维数据形状为32 * 32

卷积层1：深度为64，即64个通道或64个神经元，每个通道的二维数据形状为28 * 28（通过卷积获得输出形状），卷积核的大小为5*5（通过对上一层的感受野的大小来体现）

降采用层1：深度为64不变，每个通道的二维数据形状降为原先的一半：14 * 14 （降采样），采样核的大小为2*2（通过对上一层的感受野的大小来体现）

卷积层2：深度为64不变，即64个通道或64个神经元，每个通道的二维数据形状为10 * 10，卷积核的大小为5 * 5 （通过对上一层的感受野的大小来体现）

降采用层2：深度为64不变，即64个通道或64个神经元，每个通道的二维数据形状为5 * 5， 由又降低一半。采样核的大小为2*2。

全连接层1：1024个并行的神经元，即1024个输出，输入取决于降采样层的输出：64*5*5

全连接层2：512个并行的神经元，即512个输出，输入取决于前一个全连接层：1024.

输出层：10个并行的神经元，即10个输出，输入取决于前一个全连接层：512.

（2）特别说明

• 卷积网络的定义方式为：每一层的三维形状，以及该层的输出的个数 = 长度 * 宽度 * 深度 ，深度就是神经元的个数。即每个卷积核神经元的输出是长度 * 宽度。
• 全连接网的定义方式为：每一层的一维形状，以及该层的输出的个数 = 1 * 1 * 深度，深度就是神经元的个数。即每个全连接网络神经元的输出是1*1.
• 上述方式把全连接网络和卷积网络进行统一，因此全连接与卷积之间是可以相互替代（确保总总输出不变）。
• 卷积网络只定义了网络的输入和输出以及卷积核的大小，并没有定义迭代的步长和填充数据大小。迭代步长和填充数据的大小是需要深度学习框架根据（1）输入形状+（2）输出形状+（3）卷积核形状，自动计算出来的，也就是说通过修正步长和填充，可以确保输入和输出的关系，他们之间的数学公式如下：

第3章 卷积神经网络的本质

 

第4章卷积神经网络的发展与常见类型与分类

 

 

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120806599