Image Classification （卷积神经网络基础）

目录

1.激活函数

1.1.sigmoid激活函数

1.2.ReLU激活函数

2.卷积层

3.池化层

4.误差的计算

5.CrossEntropyLss交叉熵损失

5.1.针对多分类问题（softmax输出，所有输出概率和为1）

5.2.针对二分类问题（sigmoid输出，每个输出节点之间互不相干）

6.误差的反向传播

7.权重的更新 

 8.优化器

8.1.SGD优化器（Stochastic Gradient Descent）

8.2.SGD+Momentum优化器

8.3.Adagrad优化器（自适应学习率）

8.4.RMSProp优化器（自适应学习率）

8.5.Adam优化器（自适应学习率）

9.过拟合

---

1.激活函数

1.1.sigmoid激活函数

缺点：Sigmoid激活函数饱和时梯度值非常小，故网络层数较深时易出现梯度消失。

1.2.ReLU激活函数

缺点：当反向传播过程中有一个非常大的梯度经过时，反向传播更新后可能导致权重分布中心小于0，导致该处的倒数始终为0，反向传播无法更新权重，即进入失活状态。

2.卷积层

• 目的：进行图像特征提取
• 在卷积过程中，矩阵经卷积操作后的尺寸由以下几个因数决定：

1. 输入图片大小W×W
2. Filter大小F×F
3. 步长S
4. padding的像素数P

• 经卷积后的矩阵尺寸大小计算公式为：N=(W-F+2P)/S+1。
• 卷积特性：拥有局部感知机制；权值共享。

3.池化层

• 目的：对特征图进行稀疏处理，减少数据运算量。
• MaxPooling下采样层

•  AveragePooling下采样层

•  池化层总结：没有训练参数；只改变特征矩阵的w和h，不改变channel；一般poolsize和stride相同。

4.误差的计算

 ， 

经过SoftMax处理后所有输出节点的概率和为1，即。

5.CrossEntropyLss交叉熵损失

5.1.针对多分类问题（softmax输出，所有输出概率和为1）

5.2.针对二分类问题（sigmoid输出，每个输出节点之间互不相干）

其中为真实标签值，为预测值，默认log以e为底等于ln。 

6.误差的反向传播

 

7.权重的更新 

在实际应用中往往不可能一次新将所有数据载入内存（算力也不够），所以只能分批次（batch）训练。若使用整个样本集进行求解，损失梯度只想全局最优方向；若使用分批次样本进行求解，损失梯度只想当前批次最优方向。

 8.优化器

8.1.SGD优化器（Stochastic Gradient Descent）

 其中α为学习率，为i时刻对参数的损失梯度。缺点：易受样本噪声影响；可能陷入局部最优解。

8.2.SGD+Momentum优化器

其中α为学习率，为i时刻对参数的损失梯度,η(0.9)为动量系数。

8.3.Adagrad优化器（自适应学习率）

其中α为学习率，为i时刻对参数的损失梯度，为防止分母为零的小数。缺点：学习率下降的太快可能还没收敛就停止训练。

8.4.RMSProp优化器（自适应学习率）

 其中α为学习率，为i时刻对参数的损失梯度，η(0.9)控制衰减速度，

为防止分母为零的小数。

8.5.Adam优化器（自适应学习率）

  其中α为学习率，为i时刻对参数的损失梯度，控制衰减速度，为防止分母为零的小数。

9.过拟合

• 特征维度过多，模型假设过于复杂，参数过多，训练数据过少，噪声过多，导致拟合的函数完美的预测训练集，但对新数据的测试集预测结果差。过度的拟合了训练数据，而没有考虑到泛化能力。
• 解决方法：使用DropOut的方式在网络正向传播过程中随机失活一部分神经元。