pytorch深度学习：CNN卷积神经网络（一）

卷积神经网络(CNN)是在图像、视频识别处理领域应用最多的深度学习方法。这次就来学习下卷积神经网络的基础知识。这里只简单介绍下卷积神经网络的入门知识，想再深入学习可以看下吴恩达、李宏毅老师的CNN课程。

1.卷积神经网络的介绍

如果我们采用传统神经网络来处理图像，由于图像分别率很高的原因导致输入数据的维度特别高，所以神经网络中的参数数量会太大。针对这个问题，CNN就被提出了。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积都会提取数据中最有效的特征。

我们以人眼识别物体来类比卷积层，人眼识别物体是从点和线开始的，每个视觉神经元只接受一个区域信号。并提取出点和边的特征，然后将点和边的信号传递给后面一层的神经元，再接着组合成高阶特征，比如三角形、正方形、拐角等，再继续抽象组合，得到眼睛、鼻子和嘴等五官，最后再将无关组合成一张脸，完成识别。

只要我们提供的卷积核足够多，就能提取出各种方向的边和各种形态的点，就可以让卷积层抽象出有效而丰富的高阶特征，每一个卷积核滤波得到的图像就是一类特征，也叫Feature Map。

卷积的好处： 不管图像尺寸如何，我们需要训练的权重参数只跟卷积核大小、数量有关，因此我们可以使用非常少的参数量处理任意大小的图片。

2.卷积神经网络的结构

常见的卷积神经网络结构包括：卷积层、池化层、全连接层。其中卷积层和池化层可以重复多次，如下图所示：

2.1 卷积层(Convolution)

卷积层由多个卷积核构成，每个卷积核都会提取一个特征，也就是形成一个Feature Map，有多少卷积核就会形成多少Feature Map。

如：6×6的图像，经过3×3的卷积核内积，步长(stride)为(1,1)，最终会形成一个4×4的Feature Map。如下图所示：

若图像为彩色图像，就是图像会有一个高度3(R、G、B)，这时的卷积核就是一个3×3×3的立方体结构，就不是我们2维里的正方形了。

具体的卷积过程演示，可以方便进行理解。

还有一个操作要注意的是，如果想要保持输入Feature map和输出Feature map的大小一致，需要在周围补0，叫做padding。

2.2 池化层(Pooling)

在减少数据量的同时，保留图像中有用的信息，也就是对Feature Map进行降维操作。

池化层也有自己的Filter来对Feature Map矩阵进行扫描，按照计算方式的不同可以分为：

• Max pooling： 将n×n大小里的值选一个最大的作为输出。
• Average pooling： 将n×n大小里的值取平均作为输出。

目前最常用的就是Max pooling，如下图所示：

2.3 全连接层(Fully Connected)

全连接层就是把所有局部特征结合变成全局特征，用来计算最后每一类的概率。

换句话说全连接层就是把卷积层和池化层的输出展开成一维形式，在后面接上与普通网络结构相同的回归网络或者分类网络，一般接在池化层后面，如图所示：

Flatten就是将Feature Map展成一维向量，作为后面全连接层的输入。

3. CNN的主要特点

这里主要讨论CNN相比与传统的神经网络的不同之处，CNN主要有三大特色，分别是局部感知、权重共享和多卷积核。

• 局部感知

局部感知就是我们上面说的感受野，实际上就是卷积核和图像卷积的时候，每次卷积核所覆盖的像素只是一小部分，是局部特征，所以说是局部感知。CNN是一个从局部到整体的过程（局部到整体的实现是在全连通层），而传统的神经网络是整体的过程。具体如下图所示：

• 权重共享

传统的神经网络的参数量是非常巨大的，比如1000X1000像素的图片，映射到和自己相同的大小，需要（1000X1000）的平方，也就是10的12次方，参数量太大了，而CNN除全连接层外，卷积层的参数完全取决于滤波器的设置大小，比如10x10的滤波器，这样只有100个参数，当然滤波器的个数不止一个，也就是下面要说的多卷积核。但与传统的神经网络相比，参数量小，计算量小。整个图片共享一组滤波器的参数。

• 多卷积核

一种卷积核代表的是一种特征，为获得更多不同的特征集合，卷积层会有多个卷积核，生成不同的特征，这也是为什么卷积后的图片的高，每一个图片代表不同的特征。

4. 结语

这只是CNN的一点皮毛，要想更进一步还需要更多的理解。本文参考了两篇优秀的博客，博客1和博客2，他们写得更为详细，不太理解的可以认真看一下。