计算机视觉之卷积神经网络原理

一个简单的神经元：左边有三个激励，分别将激励乘以对应的权重，接着对其求和再加上相应的偏置，最后通过激励函数就得到最终的输出y

如果我们将神经元按列进行排列，列与列之间进行全连接，就得到一个BP神经网络：在BP神经网络的算法中，主要包括两个部分，信号的向前传播和误差反向传播。正常情况下从左到右会得到一个输出值，将输出值和所期望的值进行对比就能得到误差值，通过计算每个结点的偏导数就能得到每个结点的误差梯度，将损失值反向应用到误差梯度上就实现了误差的反向传播。

卷积的目的：进行图像的特征提取，其因为以滑动窗口的形式而具有局部感知的机制，且滑动的过程中卷积核不会变化，因此具有权值共享的机制。下图说明了权值共享机制的好处：

#必须要明白的地方：

一个图片做卷积，结果也可以理解为另一张图片，这里的卷积和数字信号处理中的卷积千差万别。在信号类教材中，做元素乘积求和之前将卷积核沿对角线翻转也就是卷起来(不是旋转)，之后再进行乘积求和，但在计算机视觉中跳过了这个镜像操作，这样可以简化代码并使得神经网络正常工作，从技术上讲，这里实际做的是互相关而不是卷积，在深度学习文献中，按照惯例，这里叫做卷积操作。

！垂直检测核可以检测出垂直边缘，如果原始图像较小，检测出来的边缘较宽，但当图片较大时，可以很好的检测出来垂直边缘，水平同理。

！在深度学习的领域里，要检测复杂图形的边缘，不一定要去选择研究者们给出的九个数字(卷积模板)，而是把这九个数字当成九个参数，并利用反向传播算法，去理解这九个参数，通过数据反馈，让神经网络自动的去学习它们，神经网络可以学习一些如边缘这样低级的特征，可以检测书任何角度的边缘。这就是卷积神经网络要干的事情。

！卷积层的目的：参数共享(研究发现，提取图像一个特征时，一个卷积核可以适用于整幅图像，其可以在图片不同区域中使用相同的参数)和稀疏连接(其他卷积输出的像素值不会对某一个输出产生影响)，这样可以用更少的参数进行训练，预防过拟合。

！Padding：n×n的图像、f×f的边缘检测卷积核卷积后可以得到（n-f+1）×（n-f+1）大小的图像，这有两个缺点：①每次做完卷积操作图像就会缩小，我们并不想让我们的图片特征缩小(比如100层网络，最后得到很小的特征无用)。②角落、边缘的像素在输出中采用较少，这意味着丢掉了图像边缘为位置的许多信息。解决办法：在卷积操作之前填充图像，习惯上可以用0去填充，如果p是填充外围像素的层数，输出图像大小也就变成了（n+2p-f+1）×（n+2p-f+1）。至于填充多少像素，通常有两个选择：Valid卷积和Same卷积，Valid卷积不填充像素，输出图像尺寸会减小；Same卷积意味着输入大小和输出大小是一样的。
注：在计算机视觉中f很多时候为奇数，这样计算一个像素点会很方便且填充的时候不会发生不对称填充。

！卷积步长：卷积核横向纵向移动的距离，计为s，输出图像尺寸变为：[（n+2p-f）/s]+1×[（n+2p-f）/s]+1 ，如果商不是一个整数，则向下取整。

！三维卷积：不仅仅局限于灰度图像，也想检测RGB彩色的图像的特征，则要使用三维卷积核，这里的维数必须和图像的深度匹配(原因在后面)。我们把三位卷积核想象成为一个立方体，在原图像里做平移相乘相加操作，因此三维卷积后输出只有一个通道。如果只想检测一个通道的图像边缘，则可以将第一层核设为一个算子，后两层的核设为0，这样卷积核只会对红色通道有用，所以参数选择不同，就会得到不同的特征检测器。按照计算机视觉的惯例，卷积核的宽高可以和输入图像的宽高不同，但通道数必须一样，理论上我们只关注一个通道是可行的。

总结一下：1.卷积核的通道数与输入特征层的通道数必须相同
2.输出的特征矩阵通道数与卷积核个数相同

！如果要同时使用多个卷积核怎么办，也就是要检测各个方向的边缘：我们可以把不用的边缘检测卷积核卷积输出的图像堆叠在一起，因此总结以下：如果输入图像是n×n×a，卷积核设为f×f×a，则卷积输出的矩阵就是（n-f+1）×（n-f+1）×卷积核数量—这里步长为1且没有padding。所以输出的通道数等于要检测的特征数。

！如何构建卷积神经网络：不同卷积核和原图卷积后的输出会各自形成一个卷积神经网络层，通过python的广播机制给输出的矩阵每一个值增加相同的偏差，然后应用非线性激活函数，每个卷积后的矩阵输出不同的同尺寸矩阵，再重复之前的步骤，把这些矩阵堆叠起来得到一层的输出。卷积核用变量W1表示，在卷积的过程中，对卷积核的每一个数做乘法，其作用类似于W1a[0]，再加上偏差b1，第二个卷积核中W1a[1]+b2，就是神经网络中的z=wx+b，最后所有的卷积核输出经过非线性函数后堆叠形成输出：a[1]。卷积核中每一个元素都是一个权重，一个卷积核共用一个偏差，利用这个可以计算参数个数。不论多大的图片，卷积核确定后参数参数个数就确定了，这就是卷积神经网络的一个特征：避免过拟合。这里不懂往下看图例。

这里公式不好打，直接截图了：


！实例搭建神经网络：为39×39×3的输入图像提取7×7×40个特征，即1960个特征，然后对该卷积层进行处理，将其展开为1960个单元，需要掌握的是：随着神经网络计算深度不断加深，高度和宽度会在一段时间内保持一致，然后随着网络深度的加深而逐渐减小，而信道数量在增加，在许多卷积神经网络中都有这个趋势。

！虽然利用卷积层就能很好的搭建网络，但大部分架构师都会添加池化层和全连接层，后两者的设计比卷积层更加容易，池化层的目的：对特征图进行稀疏处理，减少矩阵的运算量，提高计算速度，同时提高所提取特征的鲁棒性。池化有两种：最大池化和平均池化，后者用的较少。

！最大池化：输入可以看作是某些特征的集合，输出的每个元素都是其对应颜色区域的最大值，数字大意味着可能提取了某些特定特征，如果没有提取到某些特征，对应区域的最大值也还是很小，如右上区域，这里步长取2：

必须承认，人们使用最大池化的主要原因是：此法在很多实验中效果都很好，尽管上面的直观理解一直在被引用，最大池化的输出大小可以同样用公式[（n+2p-f）/s]+1 × [（n+2p-f）/s]+1 表示，其滤波器大小f和步长s被称为超级参数，常常设置为f=2，s=2，其效果相当于高度和宽度缩减一半，另外最大池化时，很少用到padding，即p=0. 除此之外，池化过程中没有需要学习的参数，其只是神经网络某一层的静态属性。
一般情况下，poolsize和stride相同。
拓展一下：输入是几通道的，输出就是几通道的，因为计算最大池化的方法就是分别对每个信道执行刚才的计算过程，每个通道都单独执行最大池化计算。

！平均池化：选取每个区域的平均值而不是最大值，但最大池化比平均池化更常用。需要说明的是：文献中常把池化层和卷积层各作为一层，但也有在统计网络层数时，只计算具有权重的层。

！全连接层：前面的卷积和池化相当于做特征工程，后面的全连接相当于做特征加权，卷积相当于全连接的有意弱化，按照局部视野的启发，把局部之外的弱影响直接抹为零影响，还做了一点强制，不同的局部所使用的参数居然一致。弱化使参数变少，节省计算量，又专攻局部不贪多求全；强制进一步减少参数少即是多。全连接层中的每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。最后一层全连接层的输出值被传递给一个输出，可以采用softmax逻辑回归（softmax regression）进行分类，该层也可称为 softmax层。通常，CNN的训练算法也多采用BP算法。

！对于卷积神经网络：池化层无参数；卷积层参数较少；大量的参数存在于全连接层；随着神经网络的加深，激活值数量逐渐变小，如果激活值数量下降太快，也会影响到网络的性能(下降太快，提取的特征也就变少了)。关于激活值的计算：二维卷积核大小f=5，则一个卷积核的激活值有5×5+1，6个卷积核的激活值数量为6×26.

注：为什么要引入激活函数？
引入非线性因素，使网络具备解决非线性问题的能力。 ReLU失活后就无法再激活，因此不建议一开始就使用一个特别大的学习率进行学习，可能导致很多神经元失活。