【通俗理解】CNN卷积神经网络 - 附带场景举例

一. CNN 算法概述

---

CNN的全称是Convolutional Neural Networks, ConvNets，称之为卷积神经网络，是深度学习的经典算法之一。

CNN一般用于图片分类、检索、人脸识别、目标定位等。在常规的图像处理的过程中，存在以下两个问题：

1. 图像需要处理的数据量太大，导致成本很高，效率很低
2. 图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。

而CNN很好的解决了这个问题：

1. 能够将大数据量的图片有效的降维成小数据量(并不影响结果)
2. 能够保留图片的特征，类似人类的视觉原理

放在实际的例子中，如图中CNN要做的事情是：给定一张图片代表交通工具，但是我不知道他具体是什么交通工具，现在需要模型判断这张图片到底属于哪个分类。结果输出：为车？或者为船？其实通俗的话来说，就是对于物体的分类实别。

如上图所示，要实别一张图片，要经历上面几个层级结构：CONV层， RELU层， POOL层和FC层。当然了，看到这里你还是一脸懵逼，这些都是什么东西？当然了，不要着急，下面来详细介绍。

二. CNN层级结构

---

先来一个总结：

• CONV：卷积计算层，线性乘积求和。

• RELU：激励层，捕捉复杂模式。

• POOL：池化层，取区域平均或最大。

• FC：全连接层

好多人的文章写的太过复杂，下面我们来通过例子来通俗化的讲解

2.1 CONV卷积层

---

举例说明，当我们给定一个"X"的图案，计算机怎么识别这个图案就是"X"呢？

为了保证图形经过缩放或者变形都能被实别出来，对于CNN来说，它是一块一块地来进行比对。它拿来比对的这个“小块”我们称之为Features（特征），每一个Feature就像是一个小图（就是一个比较小的有值的二维数组），不同的Feature匹配图像中不同的特征。

那什么东西叫做特征呢？例如下图所示，输入图片是一个人的脑袋，而人的眼睛是我们需要提取的特征，那么我们就将人的眼睛作为Features（特征），通过在人的脑袋的图片上移动来确定哪里是眼睛。

而Features（特征）的比较，CNN算法通常使用矩阵来进行。图形的本质就是一个二维矩阵，那么对矩阵表示的图像，进行内积操作（逐个元素相乘再求和）就是所谓的卷积，其目的是用来提取图像的底层特征。

举例说明：左边是图像输入，中间部分就是滤波器filter，滤波器是带着一组固定权重的神经元，一般表示为二维矩阵，该矩阵要比输入图像的二维矩阵要小或相等，在输入图像的二维矩阵上不停的移动。不同的滤波器会得到不同的输出数据，比如颜色深浅、轮廓。

放在代码中，他可能就是这样：图中左边部分是原始输入数据，图中中间部分是滤波器filter【特征在代码中也称之为滤波器，也可以称之为卷积核】，图中右边是输出的新的二维数据。一般情况下，通过滤波器，图像的尺寸就会变小，由此也可以提取出图像的特征信息。

听起来是不是好像有点复杂，而在实际代码过程中，其实就简单多了，只需要调整参数即可，如下代码。

from torch import nn
# 卷积层
self.c1 = nn.Conv2d(in_channels=4, out_channels=32, kernel_size=3, padding=1)

• in_channels=4：这里表示输入通道为4，即输入为图像的通道数，比如RGB就是3通道图像，RGBA就为4通道图像。
• out_channels=32：表示输出为32通道
• kernel_size=3：表示我们的滤波器filter为一个3*3的矩阵
• padding=1：表示在图像周围填充1圈数据大小为0的固定数据

这里好像又出现了一个新名词，填充是啥。其实填充就是为了减少卷积操作导致的，边缘信息丢失，在图像周围填充固定数据，一般就是0。

2.2 RELU激励层

---

用于引入非线性性质到神经网络中，从而使其能够捕捉复杂的模式和特征。

常用的激励函数是ReLU，它将张量的负值设置为零，保持正值不变，这个函数收敛快，求梯度简单。

而把数据压缩到0-1有什么作用，用处是这样一来便可以把激活函数看作一种“分类的概率”，比如激活函数的输出为0.9的话便可以解释为90%的概率为正样本。

from torch import nn
# 激励层
self.ReLU = nn.ReLU()

2.3 池化层

对信号进行“收集” 并“总结”，类似于水池收集水资源，其目的是减小卷积层数据的维度。

• 收集：由多变少，图像的尺寸由大变小
• 总结：一般使用区域最大值表示

import torch.nn as nn
# 池化层
self.s1 = nn.MaxPool2d(kernel_size=2, stride=1)

• kernel_size=2：表示卷积核为2
• stride=1：表示卷积核每次移动步长为1

2.4 FC全连接层

---

全连接层又称为线性层，其每个神经元与上一层所有神经元相连，实现对前一层的线性组合，线性变换。其目的是汇总卷积层和池化层得到的图像的底层特征和信息。

线性层的数学表示为：

$output=input\times weigh{t}^T+bias$

其中input 是输入数据的张量，weight是权重矩阵，bias 是偏置向量。

但是这个在代码里面表示也很简单，如下所示。

import torch.nn as nn
# 全连接层
self.f3 = nn.Linear(6400,512)

表示输入通道为6400，输出通道为512。此时如果再来一个输出层

self.f4 = nn.Linear(512, 5)

表示输入通道为512，输出为5，此时的5一般就表示分类的数量，例如要区分5种不同的车。

三. 总结

---

CNN结构类似于一个水流结构，对一张图片拆分再拆分来捕捉其特征，到此为止，整个CNN实别过程结束。

主要参考文献：CNN笔记：通俗理解卷积神经网络