卷积神经网络CNN从入门到精通
人工智能深度学习：从入门到精通(微课版)-教学大纲
课程大纲上课周（每周3课时）章节内容案例支持1.机器学习、深度学习与人工智能1第一章深度学习简介 2.深度学习与回归分析±及TenSOrFIOW安装 3.深度学习发展历程4.深度学习擅长领域5.安装Tenso1.神经网络模型介绍2.激活函数2第二章神经网络基础 3.神经网络的训练4.神经网络过拟合及处理方法1.神经网络的数据结构3第三章神经网络的 2.图像数据的存储与运算1、美食评分TensorFIow实现 3.线性回归模型的TensorFIow实现2、颜值打分第三章神经网络的TensorFIow实现1.逻辑回归模型的1、手写数字识别2、性别识别42.TensorFIow实现上机实验（一）1.卷积神经网络基本结构5第四章卷积神经网络 2.卷积与池化的通俗理解基础 3.卷积4.池化1.1eNet-51、手写数据识别6第五章经典卷积神经 2.AIexNet2、中文字体识网络（上）别：隶书和行楷1.VGG1×加利福尼亚理第五章经典卷积神经2.BatchNorma1ization技工学院鸟类数7网络（上）巧据库分类3.DataAugmentation技巧2、猫狗分类8第五章经典卷积神经上机实验（二）学生上机利用案例网络（上）实现经典网络9第六章经典卷积神经1、Inception1、花的三分类问题网络（T）2、ResNet2、F1OWer分类问题第六章经典卷积神经1、DenseNet1、性别区分10网络（T）2、MobiIeNet2、狗的分类3、迁移学习11第六章经典卷积神经上机实验（三）学生上机利用案例±1网络（T）实现经典网络12第七章深度学习用于1、词嵌入1、评论数据分析文本序列2、机器作诗初级：逻辑回归2、诗歌数据作诗13第七章深度学习用于1、机器作诗进阶1：RNN诗歌数据作诗文本序列IΛ第七章深度学习用于1、机器作诗进阶2：1STM诗歌数据作诗文本序列15第七章深度学习用于机器翻译原理中英文翻译文本序列第七章深度学习用于上机实验（四）学生上机利用案例16机器自动作诗或翻文本序列译。
卷积神经网络发展进程
卷积神经网络发展进程卷积神经网络的发展，最早可以追溯到1962年，Hubel和Wiesel 对猫大脑中的视觉系统的研究。
1980年，一个日本科学家福岛邦彦(Kunihiko Fukushima)提出了一个包含卷积层、池化层的神经网络结构。
在这个基础上，Yann Lecun将BP算法应用到这个神经网络结构的训练上，就形成了当代卷积神经网络的雏形。
其实最初的CNN效果并不算好，而且训练也非常困难。
虽然也在阅读支票、识别数字之类的任务上有一定的效果，但由于在一般的实际任务中表现不如SVM、Boosting等算法好，因此一直处于学术界的边缘地位。
直到2012年，ImageNet图像识别大赛中，Hinton组的AlexNet引入了全新的深层结构和Dropout方法，一下子把error rate 从25%降低到了15%，这颠覆了图像识别领域。
AlexNet有很多创新，尽管都不是很难的方法。
其最主要的结果是让人们意识到原来那个福岛邦彦提出的、Yann LeCun优化的LeNet 结构原来是有很大改进空间的：只要通过一些方法能够加深这个网络到8层左右，让网络表达能力提升，就能得到出人意料的好结果。
顺着AlexNet的思想，LeCun组2013年提出了一个DropConnect，把error rate降低到了11%。
而NUS的颜水成组则提出了一个重要的Network in Network(NIN)方法，NIN的思想是在原来的CNN结构中加入了一个1*1 conv层，NIN的应用也得到了2014年Imagine另一个挑战——图像检测的冠军。
Network in Network更加引发了大家对CNN 结构改变的大胆创新。
因此，两个新的架构Inception和VGG在2014年把网络加深到了20层左右，图像识别的error rate(越小越好)也大幅降低到6.7%，接近人类错误率的5.1%。
2015年，MSRA的任少卿、何恺明、孙剑等人，尝试把Identity加入到卷积神经网络中提出ResNet。
cnn流程
cnn流程
深度学习中卷积神经网络（Convolutional Neural Network，简
称CNN）是一种流行的深度学习模型，用于图像分类和识别。
CNN被用
来提取和分类图像中的不同特征，并将这些特征连接在一起以产生最
终的识别结果。
CNN的主要工作流程是：第一步是卷积操作，将输入的图像数据
转换为适合其它神经网络处理的抽象特征；其次是用池化（pooling）
去除噪声，减少映射计算量。
这最多包括两层，分别称为Subsampling 和Pooling；第三步则是把这些抽象特征用于全链接卷积神经网络（FCN）；最后进入分类器，进行识别操作。
具体地说，CNN由输入层、卷积层、池化层、多层感知机和输出
层构成。
输入层与原输入图像数据一致；卷积层进行卷积并提取特征；池化层则会在保留重要特征的同时减少数据量；多层感知机（MLP）对
抽象特征进行分类；最后，输出层将分类结果反馈给用户。
综上，CNN的主要工作流程是：采用卷积操作提取图像数据的特征，通过池化去除噪声；使用全链接卷积神经网络（FCN）分析抽象特征；将抽象特征输入到多层感知机中进行分类；最后，将分类结果反
馈给用户。
CNN是目前用于图像分类和识别的有效技术，由于其效率高、预测正确率高、能够处理大量的特征，所以被广泛应用于自动驾驶、
医学图像处理和视觉机器人等领域。
一文看懂卷积神经网络-CNN（基本原理独特价值实际应用）
⼀⽂看懂卷积神经⽹络-CNN（基本原理独特价值实际应⽤）卷积神经⽹络 – CNN 最擅长的就是图⽚的处理。
它受到⼈类视觉神经系统的启发。
CNN 有2⼤特点：能够有效的将⼤数据量的图⽚降维成⼩数据量能够有效的保留图⽚特征，符合图⽚处理的原则⽬前 CNN 已经得到了⼴泛的应⽤，⽐如：⼈脸识别、⾃动驾驶、美图秀秀、安防等很多领域。
CNN 解决了什么问题？在 CNN 出现之前，图像对于⼈⼯智能来说是⼀个难题，有2个原因：图像需要处理的数据量太⼤，导致成本很⾼，效率很低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下⾯就详细说明⼀下这2个问题：需要处理的数据量太⼤图像是由像素构成的，每个像素⼜是由颜⾊构成的。
现在随随便便⼀张图⽚都是 1000×1000 像素以上的，每个像素都有RGB 3个参数来表⽰颜⾊信息。
假如我们处理⼀张 1000×1000 像素的图⽚，我们就需要处理3百万个参数！1000×1000×3=3,000,000这么⼤量的数据处理起来是⾮常消耗资源的，⽽且这只是⼀张不算太⼤的图⽚！卷积神经⽹络 – CNN 解决的第⼀个问题就是「将复杂问题简化」，把⼤量参数降维成少量参数，再做处理。
更重要的是：我们在⼤部分场景下，降维并不会影响结果。
⽐如1000像素的图⽚缩⼩成200像素，并不影响⾁眼认出来图⽚中是⼀只猫还是⼀只狗，机器也是如此。
保留图像特征图⽚数字化的传统⽅式我们简化⼀下，就类似下图的过程：图像简单数字化⽆法保留图像特征图像的内容假如有圆形是1，没有圆形是0，那么圆形的位置不同就会产⽣完全不同的数据表达。
但是从视觉的⾓度来看，图像的内容（本质）并没有发⽣变化，只是位置发⽣了变化。
（本质）并没有发⽣变化，只是位置发⽣了变化所以当我们移动图像中的物体，⽤传统的⽅式的得出来的参数会差异很⼤！这是不符合图像处理的要求的。
⽽ CNN 解决了这个问题，他⽤类似视觉的⽅式保留了图像的特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。
深度学习CNN卷积神经网络入门PPT课件
softmax
softmax直白来说就是将原来输出是3,1,-3通过softmax函数一作用，就映射成为 (0,1)的值，而这些值的累和为1
VGG刺猬特征图可视化
第一层卷积核学 到的图片特征
VGG刺猬特征图可视化
第一层特征图的细节比较清晰和输入图片较为相似，提取出了输入 图片的边缘。
VGG刺猬特征图可视化
结束语
当你尽了自己的最大努力时，失败也是伟大的， 所以不要放弃，坚持就是正确的。
When You Do Your Best, Failure Is Great, So Don'T Give Up, Stick To The End
感谢聆听
不足之处请大家批评指导
Please Criticize And Guide The Shortcomings
参数数目计算
C1有156个参数：(5*5+1)*6=156
S2有12个参数：因为S2中每个map中的每个点都与C1的四个点相连接进行池化，一般做完 池化操作比如取最大或平均，还要乘以一个数，再加一个bias，再非线性变换
C3有1516个参数：C3也是通过5*5的卷积核由14*14的map得到10*10的map，不过这里连接 方式有点复杂，共有(5*5*3+1)*6+(5*5*4+1)*9+(5*5*6+1)*1=1516个参数。
逻辑回归
过拟合与欠拟合
基础知识
过拟合与欠拟合
正则化
λ=1
λ=0
λ=100
过拟合与欠拟合解决方案
解决欠拟合(高偏差)的方法 1.增加神经网络的隐藏层数和隐藏单元数等 2.增加更多的特征 3.调整参数和超参数 超参数包括： 神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、batch_size、正则化参数λ等 4.降低正则化约束
【机器学习基础】卷积神经网络（CNN）基础
【机器学习基础】卷积神经⽹络（CNN）基础最近⼏天陆续补充了⼀些“线性回归”部分内容，这节继续机器学习基础部分，这节主要对CNN的基础进⾏整理，仅限于基础原理的了解，更复杂的内容和实践放在以后再进⾏总结。
卷积神经⽹络的基本原理 前⾯对全连接神经⽹络和深度学习进⾏了简要的介绍，这⼀节主要对卷积神经⽹络的基本原理进⾏学习和总结。
所谓卷积，就是通过⼀种数学变换的⽅式来对特征进⾏提取，通常⽤于图⽚识别中。
既然全连接的神经⽹络可以⽤于图⽚识别，那么为什么还要⽤卷积神经⽹络呢？（1）⾸先来看下⾯⼀张图⽚： 在这个图⽚当中，鸟嘴是⼀个很明显的特征，当我们做图像识别时，当识别到有“鸟嘴”这样的特征时，可以具有很⾼的确定性认为图⽚是⼀个鸟类。
那么，在提取特征的过程中，有时就没有必要去看完整张图⽚，只需要⼀⼩部分就能识别出⼀定具有代表的特征。
因此，使⽤卷积就可以使某⼀个特定的神经元（在这⾥，这个神经元可能就是⽤来识别“鸟嘴”的）仅仅处理带有该特征的部分图⽚就可以了，⽽不必去看整张图⽚。
那么这样就会使得这个神经元具有更少的参数（因为不⽤再跟图⽚的每⼀维输⼊都连接起来）。
（2）再来看下⾯⼀组图⽚：上⾯两张图⽚都是鸟类，⽽不同的是，两只鸟的“鸟嘴”的位置不同，但在普通的神经⽹络中，需要有两个神经元，⼀个去识别左上⾓的“鸟嘴”，另⼀个去识别中间的“鸟嘴”： 但其实这两个“鸟嘴”的形状是⼀样的，这样相当于上⾯两个神经元是在做同⼀件事情。
⽽在卷积神经⽹络中，这两个神经元可以共⽤⼀套参数，⽤来做同⼀件事情。
（3）对样本进⾏⼦采样，往往不会影响图⽚的识别。
如下⾯⼀张图： 假设把⼀张图⽚当做⼀个矩阵的话，取矩阵的奇数⾏和奇数列，可看做是对图⽚的⼀种缩放，⽽这种缩放往往不会影响识别效果。
卷积神经⽹络中就可以对图⽚进⾏缩放，是图⽚变⼩，从⽽减少模型的参数。
卷积神经⽹络的基本结构如图所⽰： 从右到左，输⼊⼀张图⽚→卷积层→max pooling（池化层）→卷积层→max pooling（池化层）→......→展开→全连接神经⽹络→输出。
一文带你了解CNN（卷积神经网络）
⼀⽂带你了解CNN（卷积神经⽹络）⽬录前⾔⼀、CNN解决了什么问题？⼆、CNN⽹络的结构2.1 卷积层 - 提取特征卷积运算权重共享稀疏连接总结：标准的卷积操作卷积的意义1x1卷积的重⼤意义2.2 激活函数2.3 池化层(下采样) - 数据降维，避免过拟合2.4 全连接层 - 分类，输出结果三、Pytorch实现LeNet⽹络3.1 模型定义3.2 模型训练（使⽤GPU训练）3.3 训练和评估模型前⾔ 在学计算机视觉的这段时间⾥整理了不少的笔记，想着就把这些笔记再重新整理出来，然后写成Blog和⼤家⼀起分享。
⽬前的计划如下（以下⽹络全部使⽤Pytorch搭建）：专题⼀：计算机视觉基础介绍CNN⽹络(计算机视觉的基础)浅谈VGG⽹络，介绍ResNet⽹络（⽹络特点是越来越深）介绍GoogLeNet⽹络（⽹络特点是越来越宽）介绍DenseNet⽹络（⼀个看似⼗分NB但是却实际上⽤得不多的⽹络）整理期间还会分享⼀些⾃⼰正在参加的⽐赛的Baseline专题⼆：GAN⽹络搭建普通的GAN⽹络卷积GAN条件GAN模式崩溃的问题及⽹络优化 以上会有相关代码实践，代码是基于Pytorch框架。
话不多说，我们先进⾏专题⼀的第⼀部分介绍，卷积神经⽹络。
⼀、CNN解决了什么问题？ 在CNN出现之前，对于图像的处理⼀直都是⼀个很⼤的问题，⼀⽅⾯因为图像处理的数据量太⼤，⽐如⼀张512 x 512的灰度图，它的输⼊参数就已经达到了252144个，更别说1024x1024x3之类的彩⾊图，这也导致了它的处理成本⼗分昂贵且效率极低。
另⼀⽅⾯，图像在数字化的过程中很难保证原有的特征，这也导致了图像处理的准确率不⾼。
⽽CNN⽹络能够很好的解决以上两个问题。
对于第⼀个问题，CNN⽹络它能够很好的将复杂的问题简单化，将⼤量的参数降维成少量的参数再做处理。
也就是说，在⼤部分的场景下，我们使⽤降维不会影响结果。
⽐如在⽇常⽣活中，我们⽤⼀张1024x1024x3表⽰鸟的彩⾊图和⼀张100x100x3表⽰鸟的彩⾊图，我们基本上都能够⽤⾁眼辨别出这是⼀只鸟⽽不是⼀只狗。
CNN-训练流程
CNN-训练流程卷积神经⽹络（CNN）训练流程1、图像预处理（1）尺度调整：将不同⼤⼩的训练样本集图像尺⼨调整为48*48（2）对⽐度变换：将图像对⽐度归⼀化的三种⽅法A.将三个彩⾊空间的像素围绕平均像素强度线性变换加减⼀个标准偏差。
B.将三个彩⾊空间的像素围绕平均像素强度线性变换加减两个个标准偏差。
C.Contrast-limited Adaptive Histogram Equalization (CLAHE)对⽐受限的⾃适应直⽅图均衡化。
第三种对⽐度变换产⽣的效果最好。
图像扭曲：图像的位移，旋转度和尺度变换⼤⼩值都是在特定范围均匀分布的，在正负10%范围内。
2、卷积神经⽹络处理流程Our plain feed-forward CNN architecture is trained using on-line gradient descent. Images from the training set might be translated, scaled and rotated, whereas only the original images are used for validation. Training ends once the validation error is zero (usually after 10 to 50 epochs). Initial weights are drawn from a uniform random distribution in the range [?0.05, 0.05]. Each neuron’s activation function is a scaled hyperbolic tangent。
⽤在线梯度下降算法训练CNN，当有效误差为零训练结束（通常在10—50代之后），初始权重均匀分布在[-0.05—0.05]随机产⽣。
每⼀个神经元的激励函数为双曲正切函数。
卷积神经网络CNN
浅层神经网络的缺陷
于是,二0世纪九0年代,有更多各式各样的浅层模型相继被 提出,比如只有一层隐层节点的支撑向量机[SVM,Support Vector Machine]和Boosting,以及没有隐层节点的最大熵 方法[例如LR,Logistic Regression]等,在很多应用领域取 代了传统的神经网络.
这个惊人的结果为什么在之前没有发生?
原因当然包括算法的提升,比如dropout等防止过拟合技术,但最重 要的是,G自然图像OCR识别和人脸识别等问题, 并推出相应的桌面和移动搜索产品,二0一三年,深度学习模型被成功 应用于一般图片的识别和理解.
卷积神经网络提出的背景
浅层神经网络 大约二三十年前,神经网络曾经是机器学习领
域特别热门的一个方向,这种基于统计的机器 学习方法比起过去基于人工规则的专家系统, 在很多方面显示出优越性.
卷积神经网络提出的背景
但是后来,因为理论分析的难度,加上训练方法需要很多 经验和技巧,以及巨大的计算量和优化求解难度,神经网络 慢慢淡出了科研领域的主流方向.
值得指出的是,神经网络[如采用误差反向传播算法：Back Propagation,简称BP算法,通过梯度下降方法在训练过程 中修正权重使得网络误差最小]在层次深的情况下性能变 得很不理想[传播时容易出现所谓的梯度弥散Gradient Diffusion或称之为梯度消失,根源在于非凸目标代价函数 导致求解陷入局部最优,且这种情况随着网络层数的增加 而更加严重,即随着梯度的逐层不断消散导致其对网络权 重调整的作用越来越小],所以只能转而处理浅层结构[小 于等于三],从而限制了性能.
卷积神经网络
早在一九八九年,Yann LeCun [现纽约大学教授] 和他的同事 们就发表了卷积神经网络[Convolution Neural Networks, 简称CNN]的工作.
卷积神经网络（CNN）的训练过程
卷积神经⽹络（CNN）的训练过程卷积神经⽹络的训练过程卷积神经⽹络的训练过程分为两个阶段。
第⼀个阶段是数据由低层次向⾼层次传播的阶段，即前向传播阶段。
另外⼀个阶段是，当前向传播得出的结果与预期不相符时，将误差从⾼层次向底层次进⾏传播训练的阶段，即反向传播阶段。
训练过程如图4-1所⽰。
训练过程为：1、⽹络进⾏权值的初始化；2、输⼊数据经过卷积层、下采样层、全连接层的向前传播得到输出值；3、求出⽹络的输出值与⽬标值之间的误差；4、当误差⼤于我们的期望值时，将误差传回⽹络中，依次求得全连接层，下采样层，卷积层的误差。
各层的误差可以理解为对于⽹络的总误差，⽹络应承担多少；当误差等于或⼩于我们的期望值时，结束训练。
5、根据求得误差进⾏权值更新。
然后在进⼊到第⼆步。
图4-1卷积神经⽹络的训练过程1.1卷积神经⽹络的前向传播过程在前向传播过程中，输⼊的图形数据经过多层卷积层的卷积和池化处理，提出特征向量，将特征向量传⼊全连接层中，得出分类识别的结果。
当输出的结果与我们的期望值相符时，输出结果。
1.1.1卷积层的向前传播过程卷积层的向前传播过程是，通过卷积核对输⼊数据进⾏卷积操作得到卷积操作。
数据在实际的⽹络中的计算过程，我们以图3-4为例，介绍卷积层的向前传播过程。
其中⼀个输⼊为15个神经元的图⽚，卷积核为2×2×1的⽹络，即卷积核的权值为W1，W2，W3，W4。
那么卷积核对于输⼊数据的卷积过程，如下图4-2所⽰。
卷积核采⽤步长为1的卷积⽅式，卷积整个输⼊图⽚，形成了局部感受野，然后与其进⾏卷积算法，即权值矩阵与图⽚的特征值进⾏加权和（再加上⼀个偏置量），然后通过激活函数得到输出。
图4-2图⽚深度为1，卷积层的向前传播过程⽽在图3-4中，图⽚深度为2时，卷积层的向前传播过程如图4-3所⽰。
输⼊的图⽚的深度为4×4×2，卷积核为2×2×2，向前传播过程为，求得第⼀层的数据与卷积核的第⼀层的权值的加权和，然后再求得第⼆层的数据与卷积核的第⼆层的权值的加权和，两层的加权和相加得到⽹络的输出。
CNN(卷积神经网络)详解
CNN（卷积神经网络）详解卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，用于处理具有类似网格结构的数据。
这种网络结构在计算机视觉领域中应用非常广泛，包括图像识别、语音识别等领域。
CNN采用卷积层、池化层和全连接层等多种不同的层来提取特征。
一、卷积层卷积层是CNN的核心，也是最基本的层，它可以检测不同的特征，比如边缘、颜色和纹理等。
通常情况下，卷积层的输入是一个彩色或者灰度的图像，输出则是不同数量的“特征图”。
每个特征图对应一个特定的特征。
卷积层有一个非常重要的参数，叫做卷积核（Kernel），也就是滤波器。
卷积核是一个小的矩阵，它在输入数据的二维平面上滑动，将每个位置的像素值与卷积核的对应位置上的值相乘，然后将结果相加得到卷积层的输出。
通过不同的卷积核可以检测出不同的特征。
二、池化层池化层是CNN中的另一种重要层，它可以对卷积层的输出做降维处理，并且能够保留特征信息。
池化层通常是在卷积层之后加上的，其作用是将附近几个像素点合并成一个像素点。
这样做的好处是可以减小数据量，同时也可以使特征更加鲁棒。
池化层通常有两种类型，分别是最大池化和平均池化。
最大池化是从相邻的像素中寻找最大值，即将一个矩阵划分成多个小矩阵，然后寻找每个小矩阵中的最大值，最后将每个小矩阵中的最大值组成的矩阵作为输出。
平均池化则是简单地取相邻像素的平均值作为输出。
三、全连接层全连接层，也叫做密集连接层，是CNN中的最后一层，它将池化层输出的结果转化成一个一维的向量，并将其送入神经网络中进行分类或者回归预测。
全连接层通常使用softmax或者sigmoid等激活函数来输出分类结果。
四、CNN的应用CNN在计算机视觉领域有着广泛的应用，比如图像分类、物体检测、人脸识别、文字识别等。
其中最常见的应用就是图像分类，即将一张图片分为不同的目标类别。
通过卷积层和池化层不断地提取出图像的特征，然后送进全连接层对不同的类别进行分类。
卷积神经网络(CNN,ConvNet)及其原理详解
卷积神经网络(CNN,ConvNet)及其原理详解卷积神经网络（CNN，有时被称为ConvNet）是很吸引人的。
在短时间内，它们变成了一种颠覆性的技术，打破了从文本、视频到语音等多个领域所有最先进的算法，远远超出了其最初在图像处理的应用范围。
CNN 由许多神经网络层组成。
卷积和池化这两种不同类型的层通常是交替的。
网络中每个滤波器的深度从左到右增加。
最后通常由一个或多个全连接的层组成：图1 卷积神经网络的一个例子Convnets 背后有三个关键动机：局部感受野、共享权重和池化。
让我们一起看一下。
局部感受野如果想保留图像中的空间信息，那么用像素矩阵表示每个图像是很方便的。
然后，编码局部结构的简单方法是将相邻输入神经元的子矩阵连接成属于下一层的单隐藏层神经元。
这个单隐藏层神经元代表一个局部感受野。
请注意，此操作名为“卷积”，此类网络也因此而得名。
当然，可以通过重叠的子矩阵来编码更多的信息。
例如，假设每个子矩阵的大小是5×5，并且将这些子矩阵应用到28×28 像素的MNIST 图像。
然后，就能够在下一隐藏层中生成23×23 的局部感受野。
事实上，在触及图像的边界之前，只需要滑动子矩阵23 个位置。
定义从一层到另一层的特征图。
当然，可以有多个独立从每个隐藏层学习的特征映射。
例如，可以从28×28 输入神经元开始处理MNIST 图像，然后（还是以5×5 的步幅）在下一个隐藏层中得到每个大小为23×23 的神经元的k 个特征图。
共享权重和偏置假设想要从原始像素表示中获得移除与输入图像中位置信息无关的相同特征的能力。
一个简单的直觉就是对隐藏层中的所有神经元使用相同的权重和偏置。
通过这种方式，每层将从图像中学习到独立于位置信息的潜在特征。
理解卷积的一个简单方法是考虑作用于矩阵的滑动窗函数。
在下面的例子中，给定输入矩阵I 和核K，得到卷积输出。
将3×3 核K（有时称为滤波器或特征检测器）与输入矩阵逐元素地相乘以得到输出卷积矩阵中的一个元素。
卷积神经网络CNN从入门到精通精编版
卷积神经网络CNN从入门到精通卷积神经网络算法的一个实现前言从理解卷积神经到实现它，前后花了一个月时间，现在也还有一些地方没有理解透彻，CNN还是有一定难度的，不是看哪个的博客和一两篇论文就明白了，主要还是靠自己去专研，阅读推荐列表在末尾的参考文献。
目前实现的CNN在MINIT数据集上效果还不错，但是还有一些bug，因为最近比较忙，先把之前做的总结一下，以后再继续优化。
卷积神经网络CNN是Deep Learning的一个重要算法，在很多应用上表现出卓越的效果，[1]中对比多重算法在文档字符识别的效果，结论是CNN优于其他所有的算法。
CNN在手写体识别取得最好的效果，[2]将CNN应用在基于人脸的性别识别，效果也非常不错。
前段时间我用BP神经网络对手机拍照图片的数字进行识别，效果还算不错，接近98%，但在汉字识别上表现不佳，于是想试试卷积神经网络。
1、CNN的整体网络结构卷积神经网络是在BP神经网络的改进，与BP类似，都采用了前向传播计算输出值，反向传播调整权重和偏置；CNN与标准的BP最大的不同是：CNN中相邻层之间的神经单元并不是全连接，而是部分连接，也就是某个神经单元的感知区域来自于上层的部分神经单元，而不是像BP那样与所有的神经单元相连接。
CNN的有三个重要的思想架构：局部区域感知权重共享空间或时间上的采样局部区域感知能够发现数据的一些局部特征，比如图片上的一个角，一段弧，这些基本特征是构成动物视觉的基础[3]；而BP中，所有的像素点是一堆混乱的点，相互之间的关系没有被挖掘。
CNN中每一层的由多个map组成，每个map由多个神经单元组成，同一个map 的所有神经单元共用一个卷积核（即权重），卷积核往往代表一个特征，比如某个卷积和代表一段弧，那么把这个卷积核在整个图片上滚一下，卷积值较大的区域就很有可能是一段弧。
注意卷积核其实就是权重，我们并不需要单独去计算一个卷积，而是一个固定大小的权重矩阵去图像上匹配时，这个操作与卷积类似，因此我们称为卷积神经网络，实际上，BP也可以看做一种特殊的卷积神经网络，只是这个卷积核就是某层的所有权重，即感知区域是整个图像。
CNN 卷积神经网络介绍
梯度下降法相关概念
仿射函数：仿射函数是线性函数。仿射函数 的图形是空间中一个平面 函数可导：若函数在某一点可导，则函数在 这一点附近可用一个仿射函数很好地近似。 该仿射函数的图形（平面），就是函数在这 一点的切平面。 梯度：函数在某一点的梯度是一个自变量空 间内的向量。自变量顺着梯度方向变化时函 数值上升得最快。梯度的模（长度）是函数 值上升的速率。梯度朝某方向投影的长度是 自变量顺着该方向变化时函数值的变化率。
如果训练参数设置不合理会导致过拟合或者欠拟合。
数据拟合
数据拟合：是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。 是一种把现有数据透过数学方法来代入一条数式的表示方式。 拟合(fitting) 科学和工程问题可以通过诸如采样、实验等 方法获得若干离散的数据，根据这些数据， 我们往往希望得到一个连续的函数（也就是 曲线）或者更加密集的离散方程与已知数据 相吻合，这过程就叫做拟合(fitting).
B
计算：
最后三者相乘：
这样我们就计算出整体误差E(total)对w5的偏导值。
更新权值： 其中η是学习速率，这里我们取0.5
BP反向传播计算过程
迭代更新权重：
误差反向传播法就完成了，最后我们再把更新的权值重新计算，不停地迭 代，直到误差在要求的范围内.
cnn反向传播计算过程
现在主流的人工智能算法，是用计算机去对超大量数据进行复杂归纳。
欠拟合&过拟合
通俗对比：欠拟合学得太少，分得太粗糙；过拟合学得太多太细，拿着放大镜看世界，看到的都 是差异看不到相同点。
激活函数
激活函数是用来加入非线性因素，解决线性模型所不能解决的问题。激活函数的意义是“让神 经网络具备强大的拟合能力”。线性方程的复杂性有限，并且从数据中学习复杂函数映射的能 力更小。一个没有激活函数的神经网络只不过是一个线性回归模型。
卷积神经网络CNN从入门到精通
卷积神经网络CNN从入门到精通卷积神经网络算法的一个实现前言从理解卷积神经到实现它，前后花了一个月时间，现在也还有一些地方没有理解透彻，CNN还是有一定难度的，不是看哪个的博客和一两篇论文就明白了，主要还是靠自己去专研，阅读推荐列表在末尾的参考文献。
目前实现的CNN在MINIT数据集上效果还不错，但是还有一些bug，因为最近比较忙，先把之前做的总结一下，以后再继续优化。
卷积神经网络CNN是Deep Learning的一个重要算法，在很多应用上表现出卓越的效果，[1]中对比多重算法在文档字符识别的效果，结论是CNN优于其他所有的算法。
CNN在手写体识别取得最好的效果，[2]将CNN应用在基于人脸的性别识别，效果也非常不错。
前段时间我用BP神经网络对手机拍照图片的数字进行识别，效果还算不错，接近98%，但在汉字识别上表现不佳，于是想试试卷积神经网络。
1、CNN的整体网络结构卷积神经网络是在BP神经网络的改进，及BP类似，都采用了前向传播计算输出值，反向传播调整权重和偏置；CNN及标准的BP最大的不同是：CNN中相邻层之间的神经单元并不是全连接，而是部分连接，也就是某个神经单元的感知区域来自于上层的部分神经单元，而不是像BP那样及所有的神经单元相连接。
CNN的有三个重要的思想架构：局部区域感知权重共享空间或时间上的采样局部区域感知能够发现数据的一些局部特征，比如图片上的一个角，一段弧，这些基本特征是构成动物视觉的基础[3]；而BP中，所有的像素点是一堆混乱的点，相互之间的关系没有被挖掘。
CNN中每一层的由多个map组成，每个map由多个神经单元组成，同一个map 的所有神经单元共用一个卷积核（即权重），卷积核往往代表一个特征，比如某个卷积和代表一段弧，那么把这个卷积核在整个图片上滚一下，卷积值较大的区域就很有可能是一段弧。
注意卷积核其实就是权重，我们并不需要单独去计算一个卷积，而是一个固定大小的权重矩阵去图像上匹配时，这个操作及卷积类似，因此我们称为卷积神经网络，实际上，BP也可以看做一种特殊的卷积神经网络，只是这个卷积核就是某层的所有权重，即感知区域是整个图像。
深度学习——带你通俗理解卷积神经网络（CNN）
深度学习——带你通俗理解卷积神经⽹络（CNN）卷积神经⽹络（CNN）基础知识⽂章⽬录1.前⾔ 如果说深度神经⽹络模型中的“明星”是谁？那么⾮卷积神经⽹络莫属。
下⾯给⼤家简单介绍⼀下CNN的基础知识。
其中CNN基础主要涉及卷积层、池化层、全连接层在卷积神经⽹络扮演的⾓⾊、实现的具体的功能和⼯作原理。
2.卷积层 1.主要作⽤：对输⼊的数据进⾏特征提取。
2.⼯具：卷积核——完成对数据提取的功能。
3.卷积核是怎么处理数据数据的呢？我们知道卷积核其实是⼀个指定窗⼝⼤⼩的扫描器，通过⼀次⼜⼀次地扫描输⼊的数据，来提取数据中的特征。
那么在通过卷积核处理后，就可以识别出图像中的重要特征了。
4.下⾯讲解卷积核的定义：⼀、 假定有⼀张32* 32*3的输⼊图像，其中32 * 32是图像的⾼度和宽度，3是指图像具有R，G，B三个⾊彩通道。
⼆、我们定义⼀个5 * 5 * 3的卷积核 ，其中3是指卷积核的深度，对应之前输⼊图像的三个彩⾊通道。
（⽬的：当卷积核窗⼝在输⼊图像上滑动时，能够⼀次在三个彩⾊通道上同时进⾏卷积操作）三、 常⽤的卷积核5 *5和3 *3我们知道了卷积核后，那么怎么进⾏卷积操作呢？ 现在我们定义步长为对卷积核的窗⼝进⾏滑动 下图为⼀个步长为2的卷积核经过⼀次滑动窗⼝位置变化情况 仔细观察不难发现，在上⾯的输⼊图像的最外界多了⼀圈全为0的像素，这其实就是⼀种⽤于提升卷积效果的边界像素扩充的⽅法共有两种⽅式进⾏填充Same和Valid1.Same在输⼊图像的最外界加上指定层数的值全为0的像素边界：为了让输⼊图像的全部像素能被滑动窗⼝捕捉。
2.Valid直接对输⼊图像进⾏卷积，不对输⼊图像进⾏任何的前期处理和图像填充。
缺点就是会导致部分像素点不嫩被滑动窗⼝捕捉。
通过对卷积过程的计算，可以得出卷积通⽤公式⽤于计算输⼊图像经过⼀轮卷积操作后的输出图像的宽度和⾼度的参数 其中W，H分别代表图像的宽度和⾼度的值；下标input代表输⼊图像的相关参数；下标output表⽰输出图像的相关参数，filter代表卷积核的相关参数，S代表卷积的步长，P（padding）代表在图像边缘增加的边界像素层数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
卷积神经网络CNN从入门到精通卷积神经网络算法的一个实现前言从理解卷积神经到实现它，前后花了一个月时间，现在也还有一些地方没有理解透彻，CNN还是有一定难度的，不是看哪个的博客和一两篇论文就明白了，主要还是靠自己去专研，阅读推荐列表在末尾的参考文献。
目前实现的CNN在MINIT数据集上效果还不错，但是还有一些bug，因为最近比较忙，先把之前做的总结一下，以后再继续优化。
卷积神经网络CNN是Deep Learning的一个重要算法，在很多应用上表现出卓越的效果，[1]中对比多重算法在文档字符识别的效果，结论是CNN优于其他所有的算法。
CNN在手写体识别取得最好的效果，[2]将CNN应用在基于人脸的性别识别，效果也非常不错。
前段时间我用BP神经网络对手机拍照图片的数字进行识别，效果还算不错，接近98%，但在汉字识别上表现不佳，于是想试试卷积神经网络。
1、CNN的整体网络结构卷积神经网络是在BP神经网络的改进，与BP类似，都采用了前向传播计算输出值，反向传播调整权重和偏置；CNN与标准的BP最大的不同是：CNN中相邻层之间的神经单元并不是全连接，而是部分连接，也就是某个神经单元的感知区域来自于上层的部分神经单元，而不是像BP那样与所有的神经单元相连接。
CNN的有三个重要的思想架构：局部区域感知权重共享空间或时间上的采样局部区域感知能够发现数据的一些局部特征，比如图片上的一个角，一段弧，这些基本特征是构成动物视觉的基础[3]；而BP中，所有的像素点是一堆混乱的点，相互之间的关系没有被挖掘。
CNN中每一层的由多个map组成，每个map由多个神经单元组成，同一个map 的所有神经单元共用一个卷积核（即权重），卷积核往往代表一个特征，比如某个卷积和代表一段弧，那么把这个卷积核在整个图片上滚一下，卷积值较大的区域就很有可能是一段弧。
注意卷积核其实就是权重，我们并不需要单独去计算一个卷积，而是一个固定大小的权重矩阵去图像上匹配时，这个操作与卷积类似，因此我们称为卷积神经网络，实际上，BP也可以看做一种特殊的卷积神经网络，只是这个卷积核就是某层的所有权重，即感知区域是整个图像。
权重共享策略减少了需要训练的参数，使得训练出来的模型的泛华能力更强。
采样的目的主要是混淆特征的具体位置，因为某个特征找出来后，它的具体位置已经不重要了，我们只需要这个特征与其他的相对位置，比如一个“8”，当我们得到了上面一个"o"时，我们不需要知道它在图像的具体位置，只需要知道它下面又是一个“o”我们就可以知道是一个'8'了，因为图片中"8"在图片中偏左或者偏右都不影响我们认识它，这种混淆具体位置的策略能对变形和扭曲的图片进行识别。
CNN的这三个特点是其对输入数据在空间（主要针对图像数据）上和时间（主要针对时间序列数据，参考TDNN）上的扭曲有很强的鲁棒性。
CNN一般采用卷积层与采样层交替设置，即一层卷积层接一层采样层，采样层后接一层卷积...这样卷积层提取出特征，再进行组合形成更抽象的特征，最后形成对图片对象的描述特征，CNN后面还可以跟全连接层，全连接层跟BP一样。
下面是一个卷积神经网络的示例：图1（图片来源）卷积神经网络的基本思想是这样，但具体实现有多重版本，我参考了matlab的Deep Learning的工具箱DeepLearnToolbox，这里实现的CNN与其他最大的差别是采样层没有权重和偏置，仅仅只对卷积层进行一个采样过程，这个工具箱的测试数据集是MINIST，每张图像是28*28大小，它实现的是下面这样一个CNN：图22、网络初始化CNN的初始化主要是初始化卷积层和输出层的卷积核（权重）和偏置，DeepLearnToolbox里面对卷积核和权重进行随机初始化，而对偏置进行全0初始化。
3、前向传输计算前向计算时，输入层、卷积层、采样层、输出层的计算方式不相同。
3.1 输入层：输入层没有输入值，只有一个输出向量，这个向量的大小就是图片的大小，即一个28*28矩阵;3.2 卷积层：卷积层的输入要么来源于输入层，要么来源于采样层，如上图红色部分。
卷积层的每一个map都有一个大小相同的卷积核，Toolbox里面是5*5的卷积核。
下面是一个示例，为了简单起见，卷积核大小为2*2，上一层的特征map大小为4*4，用这个卷积在图片上滚一遍，得到一个一个(4-2+1)*（4-2+1）=3*3的特征map，卷积核每次移动一步，因此。
在Toolbox的实现中，卷积层的一个map与上层的所有map都关联，如上图的S2和C3，即C3共有6*12个卷积核，卷积层的每一个特征map是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。
还有需要注意的是，卷积层的map个数是在网络初始化指定的，而卷积层的map的大小是由卷积核和上一层输入map的大小决定的，假设上一层的map大小是n*n、卷积核的大小是k*k，则该层的map大小是(n-k+1)*(n-k+1)，比如上图的24*24的map大小24=（28-5+1）。
斯坦福的深度学习教程更加详细的介绍了卷积特征提取的计算过程。
图33.3 采样层（subsampling,Pooling）：采样层是对上一层map的一个采样处理，这里的采样方式是对上一层map的相邻小区域进行聚合统计，区域大小为scale*scale，有些实现是取小区域的最大值，而ToolBox里面的实现是采用2*2小区域的均值。
注意，卷积的计算窗口是有重叠的，而采用的计算窗口没有重叠，ToolBox 里面计算采样也是用卷积(conv2(A,K,'valid'))来实现的，卷积核是2*2，每个元素都是1/4，去掉计算得到的卷积结果中有重叠的部分，即：图44、反向传输调整权重反向传输过程是CNN最复杂的地方，虽然从宏观上来看基本思想跟BP一样，都是通过最小化残差来调整权重和偏置，但CNN的网络结构并不像BP那样单一，对不同的结构处理方式不一样，而且因为权重共享，使得计算残差变得很困难，很多论文[1][5]和文章[4]都进行了详细的讲述，但我发现还是有一些细节没有讲明白，特别是采样层的残差计算，我会在这里详细讲述。
4.1输出层的残差和BP一样，CNN的输出层的残差与中间层的残差计算方式不同，输出层的残差是输出值与类标值得误差值，而中间各层的残差来源于下一层的残差的加权和。
输出层的残差计算如下：公式来源这个公式不做解释，可以查看公式来源，看斯坦福的深度学习教程的解释。
4.2 下一层为采样层（subsampling）的卷积层的残差当一个卷积层L的下一层(L+1)为采样层，并假设我们已经计算得到了采样层的残差，现在计算该卷积层的残差。
从最上面的网络结构图我们知道，采样层（L+1）的map 大小是卷积层L的1/（scale*scale），ToolBox里面，scale取2，但这两层的map 个数是一样的，卷积层L的某个map中的4个单元与L+1层对应map的一个单元关联，可以对采样层的残差与一个scale*scale的全1矩阵进行克罗内克积进行扩充，使得采样层的残差的维度与上一层的输出map的维度一致，Toolbox的代码如下，其中d表示残差，a表示输出值：yers{l}.d{j} = yers{l}.a{j} .* (1 - yers{l}.a{j}) .* expand(yers{l + 1}.d{j}, [yers{l + 1}.scale yers{l + 1}.scale 1])扩展过程：图5利用卷积计算卷积层的残差：图64.3 下一层为卷积层（subsampling）的采样层的残差当某个采样层L的下一层是卷积层(L+1)，并假设我们已经计算出L+1层的残差，现在计算L层的残差。
采样层到卷积层直接的连接是有权重和偏置参数的，因此不像卷积层到采样层那样简单。
现再假设L层第j个map Mj与L+1层的M2j关联，按照BP的原理，L层的残差Dj是L+1层残差D2j的加权和，但是这里的困难在于，我们很难理清M2j的那些单元通过哪些权重与Mj的哪些单元关联，Toolbox里面还是采用卷积（稍作变形）巧妙的解决了这个问题，其代码为：convn(yers{l + 1}.d{j}, rot180(yers{l + 1}.k{i}{j}), 'full');rot180表示对矩阵进行180度旋转（可通过行对称交换和列对称交换完成），为什么这里要对卷积核进行旋转，答案是：通过这个旋转，'full'模式下得卷积的正好抓住了前向传输计算上层map单元与卷积和及当期层map的关联关系，需要注意的是matlab的内置函数convn在计算卷积前，会对卷积核进行一次旋转，因此我们之前的所有卷积的计算都对卷积核进行了旋转：a =1 1 11 1 11 1 1k =1 2 34 5 67 8 9>> convn(a,k,'full')ans =1 3 6 5 35 12 21 16 912 27 45 33 1811 24 39 28 157 15 24 17 9convn在计算前还会对待卷积矩阵进行0扩展，如果卷积核为k*k，待卷积矩阵为n*n，需要以n*n原矩阵为中心扩展到(n+2(k-1))*(n+2(k-1))，所有上面convn(a,k,'full')的计算过程如下：图7实际上convn内部是否旋转对网络训练没有影响，只要内部保持一致（即都要么旋转，要么都不旋转），所有我的卷积实现里面没有对卷积核旋转。
如果在convn计算前，先对卷积核旋转180度，然后convn内部又对其旋转180度，相当于卷积核没有变。
为了描述清楚对卷积核旋转180与卷积层的残差的卷积所关联的权重与单元，正是前向计算所关联的权重与单元，我们选一个稍微大一点的卷积核，即假设卷积层采用用3*3的卷积核，其上一层采样层的输出map的大小是5*5，那么前向传输由采样层得到卷积层的过程如下：图8这里我们采用自己实现的convn（即内部不会对卷积核旋转），并假定上面的矩阵A、B下标都从1开始，那么有：B11 = A11*K11 + A12*K12 + A13*K13 + A21*K21 + A22*K22 + A23*K23 + A31*K31 + A32*K32 + A33*K33B12 = A12*K11 + A13*K12 + A14*K13 + A22*K21 + A23*K22 + A24*K23 + A32*K31 + A33*K32 + A34*K33B13 = A13*K11 + A14*K12 + A15*K13 + A23*K21 + A24*K22 + A25*K23 + A33*K31 + A34*K32 + A35*K33B21 = A21*K11 + A22*K12 + A23*K13 + A31*K21 + A32*K22 + A33*K23 + A41*K31 + A42*K32 + A43*K33B22 = A22*K11 + A23*K12 + A24*K13 + A32*K21 + A33*K22 + A34*K23 + A42*K31 + A43*K32 + A44*K33B23 = A23*K11 + A24*K12 + A25*K13 + A33*K21 + A34*K22 + A35*K23 + A43*K31 + A44*K32 + A45*K33B31 = A31*K11 + A32*K12 + A33*K13 + A41*K21 + A42*K22 + A43*K23 + A51*K31 + A52*K32 + A53*K33B32 = A32*K11 + A33*K12 + A34*K13 + A42*K21 + A43*K22 + A44*K23 + A52*K31 + A53*K32 + A54*K33B33 = A33*K11 + A34*K12 + A35*K13 + A43*K21 + A44*K22 + A45*K23 + A53*K31 + A54*K32 + A55*K33我们可以得到B矩阵每个单元与哪些卷积核单元和哪些A矩阵的单元之间有关联：A11 [K11] [B11]A12 [K12, K11] [B12, B11]A13 [K13, K12, K11] [B12, B13, B11]A14 [K13, K12] [B12, B13]A15 [K13] [B13]A21 [K21, K11] [B21, B11]A22 [K22, K21, K12, K11] [B12, B22, B21, B11]A23 [K23, K22, K21, K13, K12, K11] [B23, B22, B21, B12, B13, B11]A24 [K23, K22, K13, K12] [B23, B12, B13, B22]A25 [K23, K13] [B23, B13]A31 [K31, K21, K11] [B31, B21, B11]A32 [K32, K31, K22, K21, K12, K11] [B31, B32, B22, B12, B21, B11]A33 [K33, K32, K31, K23, K22, K21, K13, K12, K11] [B23, B22, B21, B31, B12, B13, B11, B33, B32]A34 [K33, K32, K23, K22, K13, K12] [B23, B22, B32, B33, B12, B13]A35 [K33, K23, K13] [B23, B13, B33]A41 [K31, K21] [B31, B21]A42 [K32, K31, K22, K21] [B32, B22, B21, B31]A43 [K33, K32, K31, K23, K22, K21] [B31, B23, B22, B32, B33, B21]A44 [K33, K32, K23, K22] [B23, B22, B32, B33]A45 [K33, K23] [B23, B33]A51 [K31] [B31]A52 [K32, K31] [B31, B32]A53 [K33, K32, K31] [B31, B32, B33]A54 [K33, K32] [B32, B33]A55 [K33] [B33]然后再用matlab的convn(内部会对卷积核进行180度旋转)进行一次convn(B,K,'full')，结合图7，看红色部分，除去0，A11=B'33*K'33=B11*K11，发现A11正好与K11、B11关联对不对；我们再看一个A24=B'34*K'21+B'35*K'22+B'44*K'31+B'45*K'32=B12*K23+B13*K22+ B22*K13+B23*K12，发现参与A24计算的卷积核单元与B矩阵单元，正好是前向计算时关联的单元，所以我们可以通过旋转卷积核后进行卷积而得到采样层的残差。