五、卷积神经网络CNN1（组成层、卷积如何检测边缘信息）

卷积神经网络的组成层

在卷积神经网络中，有3种最主要的层：卷积运算层、pooling 层、全连接层。一个完整的神经网络就是由这三种层叠加组成的。

（1）一个卷积神经网络由多种不同类型的层(卷几层/全连接层/RELU 层/POOLing层等)叠加而成。
（2）每一层的输入结构是 3 维的数据，计算完输出依旧是 3 维的数据。
（3）卷积层和全连接层包含训练参数，RELU 和 POOLing 层不包含。
（4）卷积层，全连接层和 POOLing 层包含超参数，RELU 层没有。

 CIFAR-10 数据集构建的一个卷积神经网络结构示意图

卷积如何检测边缘信息

卷积运算是卷积神经网络最基本的组成部分，神经网络的前几层首先检测边缘，然后，后面的层有可能检测到物体的部分区域，更靠后的一些层可能检测到完整的物体。

先介绍一个概念，过滤器：

这是一个 3*3 的过滤器，是一个矩阵，数值如上所示。

假设我们有一个 6*6 的灰度图像：

把这个图像与过滤器进行卷积运算，卷积运算在此处用“*”表示。

 我们看一下发生了什么事，把过滤器最准图像左上方 3*3 的范围，逐一相乘并相加，得到-5。同理，将过滤器右移进行相同操作，再下移，直到过滤器对准图像右下角最后一格。依次运算得到一个 4*4 的矩阵。OK，了解了过滤器以及卷积运算后，让我们看看为何过滤器能检测物体边缘：
举一个最简单的例子：

 

这张图片如上所示，左半边全是白的，右半边全是灰的，过滤器还是用之前那个，把他们
进行卷积：

可以看到，最终得到的结果中间是一段白色，两边为灰色，于是垂直边缘被找到了。为什么呢？因为在 6*6 图像中红框标出来的部分，也就是图像中的分界线所在部分，与过滤器进行卷积，结果是 30。而在不是分界线的所有部分进行卷积，结果都为 0.
在这个图中，白色的分界线很粗，那是因为 6*6 的图像实在太小了，若是换成1000*1000的图像，我们会发现在最终结果中，分界线不粗且很明显。
这就是检测物体垂直边缘的例子，水平边缘的话只需将过滤器旋转 90 度。