卷积神经网络基础

全连接层

BP（back propagation）算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。

误差值：将输出值和所期望的值进行对比，可以得到误差值。

实例：利用BP神经网络做车牌数字识别

 读入一张彩色的RGB图像，可以看到每一个像素里都包含了三个值，即RGB分量。

首先进行灰度化，灰度化之后得到中间这幅图，它的每一个像素值都只有一个分量了。

再进行二值化处理，得到黑白图像，也就是最右边的这个图像。

用一个五行三列的滑动窗口对整个图像进行滑动，每滑动一个地方就计算白色的像素占整个像素的比例。按照这个方法遍历整个图像就得到了一个5×5的矩阵。

 接着我们将5×5的矩阵按行进行展开，并把它拼接成一个行向量。一行一行的展开后得到一个一行25列的行向量。这样我们可以把这个行向量当成我们输入神经网络的输入层。

有了输入层后，我们来看下我们的输出层。one-hot编码是我们常用的对标签进行编码的一种方式。比如说如图我们期望他们输出的是0到9这么十个数值。

onehot好像是除了目标其余全部写0，比如一行10个位置，分别代表0-9，如果推测目标是8，那么就在第九个空位写1，其余九个空位全部写0。

我们有了输入和期望的输出，就能对网络进行训练了。

卷积层

卷积特性

• 拥有局部感知机制
• 权值共享

对比普通的BP神经网络（理解全连接层的全值共享）

参数

连接层之间的权重参数

输入特征矩阵

• 卷积核的channel与输入特征层的channel相同
• 输出的特征矩阵channel与卷积核个数相同

激活函数

为什么要引入激活函数

引入非线性因素，使其具备解决非线性问题的能力。

建议

训练过程当中，建议不要一开始就使用特别大的学习率进行学习，这样很可能导致很多神经元失活。

几个因素决定卷积后的尺寸

池化层

 和卷积层比较类似，但是和卷积层比起来会简单很多。

poolsize：池化核大小

stride：步距大小