深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-01-CNN基础知识点

《CNN基础知识点》From：Convolutional Neural Networks (LeNet)

原文链接可以查看更多信息：http://blog.csdn.net/niuwei22007/article/details/47399913

1. 神经认知机。
   　卷积神经网络是受生物灵感的多层感知机的变体。从Hubel和Wiesel的早期对猫的视觉皮层的研究工作中得出，视觉皮层包含一组复杂的细胞排列。这些细胞会对很小的子区域敏感，称作Receptive Field（感受野细胞）。根据这个概念提出了神经认知机。它的主要作用就是Recept部分图像信息（或特征），然后通过分层局部相连，将各个局部特征组合成整个图像特征。 需要仔细阅读的论文包括：
   　(1) 第一篇关于感受野功能的论文Receptive fields and functional architecture of monkey striate cortex,1968
   　(2) the NeoCognitron A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position,1980
   　(3) HMAX Robust object recog-nition with cortex-like mechanisms,2007
   　(4) 非常重要的LeNet-5 Gradient-based learning applied to document recognition,1998
   　
2. 稀疏连接。
   　CNN层与层之间的连接并不全是全连接，而是局部连接，它的作用就是大幅度减少参数。
   
   图1 层间连接示意图
3. 权值共享。
   　在CNNs中，每一种过滤器都可以通过重复堆叠而覆盖整个视野。这种堆叠就是复制自己，因此它们的单元共享同一个权值和偏置值，从而形成一张特征图。
   　
   　图2中 m 层是由3个隐层单元构成的一张特征图。相同颜色的权值是共享的。梯度下降法仍然可以用来训练它们所共享的参数，不过需要在原算法基础上进行小的改动。共享权值的梯度就是简单的对每个共享参数的梯度求和得到。
   
   图2 权值共享图
4. 详细计算说明。
   　为了更丰富的表示数据特征，每个隐藏层会包含多个特征图。
   　定义 hk 代表某层的第 k 个特征图。
   　公式 hkij=tanh((Wk∗x)ij+bk) 用来计算 hk ；其中 ∗ 是卷积操作。
   　以上公式是如何计算特征图的呢？是通过针对整个图像中不同的子区域数据，重复的调用同一个函数，最终覆盖整幅图像时，就得到了一张特征图。换句话说，就是用带有偏置项( bk )的线性滤波器( Wk )与输入图像( x )进行卷积运算( ∗ )，再将结果通过一个非线性函数( tanh )所得到的结果( hk )。
   　
   图3 举例，一层中含4个特征图
   　　图3中的CNN含有2层， m−1 层包含4个特征图， m 层包含2个特征图，记为 h0 和 h1 ， h0 和 h1 是由不同的卷积核在前一层所有map上作卷积并将对应元素累加后加一个偏置，再求sigmod得到的(假设m与m-1层全连接，则m层共有4*2=8个卷积核)。其中， h0 和 h1 的权值 W0 和 W1 是一个3维张量，第一维表示前一层特征图的下标，后两维表示该特征图的坐标。综合起来， Wklij 表示 m 层第 k 个特征图的每一个像素点的权重与 m−1 层第 l 个特征图的 (i,j) 像素点的权重相连接。
   　　
5. 卷积运算。
   　　用的是著名的Python库Theano. ConvOp。具体如何使用及运行效果，见我的另外一篇博客Python之Theano.ConvOp，讲的很详细。
   　　
6. 最大池化。
   　　CNN中另外一个很重的概念就是最大池化。它是一种非线性的下采样（个人理解其作用类似于降维）方法。最大池化把输入图像划分不相重叠的图像矩阵块，每一个子区域输出其最大值。最大池化方法在视觉处理问题中非常有效的两个原因是：
   　(1) 通过减少非最大值来降低对上层的计算复杂度。
   　(2) 池化结果支持平移不变性。在卷积层中，每个像素点有8个方向可以平移。当最大池化窗口为 2∗2 区域时，其中有3个方向会产生相同结果；当最大池化窗口为 3∗3 区域时，则会有5个方向会产生相同的结果。
   　在Theano中的应用举例就不介绍了。
   　

7. 至此，CNN的基本知识点基本介绍完毕。下一节学习一个完整的CNN模型–LeNet

   参考资料
   (1) http://deeplearning.net/tutorial/lenet.html
   (2) Deep Learning（深度学习）学习笔记整理系列之（七）
   (3) Deep learning with Theano 官方中文教程（翻译）（四）—— 卷积神经网络（CNN）