深度学习之第四课卷积神经网络CNN（一）
目录
简介：
一、CNN 基础
二、卷积层
1.什么是卷积
2.卷积相关概念
三、池化层
1.池化层的作用
2.最大池化
四、全连接层
五、感受野
六、卷积神经网络的构造
简介：
在深度学习的知识版图中，卷积神经网络（CNN）无疑是计算机视觉领域的 “核心引擎”。经过上一课对 CNN 基本概念的初步铺垫，本节课（一）将进一步带领大家 “拆解” CNN 的核心架构，从原理本质到实际应用，逐步揭开它为何能在图像识别、目标检测等任务中 “大显身手” 的秘密。相较于传统神经网络处理图像时存在的参数冗余、空间信息丢失等问题，CNN 通过卷积操作和池化操作两大核心机制，实现了对图像局部特征的高效提取与维度压缩。在这篇博客中，我们会先从 “卷积核的作用原理” 讲起 —— 用通俗的比喻解释卷积核如何像 “放大镜” 一样扫描图像，捕捉边缘、纹理等基础特征；再深入剖析感受野的概念，让大家明白不同层级的神经元如何协同作用，构建从局部到全局的特征映射。
同时，为了避免纯理论的枯燥，我还会在下一篇博客结合具体案例展开：比如通过对比 “传统全连接网络” 与 “CNN” 处理 MNIST 手写数字数据集的参数数量差异，直观展示 CNN 在降低计算复杂度上的优势；再以简单的灰度图像卷积过程为例，用动态示意图呈现卷积操作的每一步计算细节，帮助大家突破公式理解的难点。
一、CNN 基础
图像在计算机中的表达与核心挑战
要理解 CNN，首先得明白图像在计算机中的呈现方式。在计算机里，图像并非我们肉眼看到的色彩和形状，而是一堆按顺序排列的数字。对于黑白的灰度图，每个像素的数值范围在 0 到 255 之间，0 代表最暗，255 代表最亮。而我们日常生活中更常见的彩色图片，通常采用 RGB 颜色模型，即通过红、绿、蓝三原色的色光以不同比例相加产生各种颜色。在这种模型下，单个图像矩阵会扩展成有序排列的三个矩阵，也可以用三维张量来理解，其中每一个矩阵被称为图像的一个 “通道（channel）”，我们可以用宽、高、深三个维度来描述图像。
在图像识别任务中，CNN 面临着一个核心挑战 —— 实现画面不变性。这意味着无论物体在图像的左侧还是右侧、无论物体发生旋转或视角变化、无论物体大小改变，甚至在不同光照条件下，CNN 都能将其识别为同一物体。传统神经网络在应对这些问题时显得力不从心，它会将图像的像素逐个摊开作为输入，一旦物体位置、大小等发生变化，输入数据的排列顺序就会改变，导致网络无法准确识别。为了解决这个问题，传统方法往往需要用大量物体位于不同位置、不同状态的数据进行训练，同时增加网络隐藏层个数，但这会带来巨大的计算成本和过拟合风险。而 CNN 的出现，正是为了更高效、更精准地解决这些图像识别难题。
传统神经网络解决办法是：用大量物体位于不同位置的数据训练，同时增加网络的隐藏层个数从而扩大网络学习这些变体的能力。
CNN 的核心结构主要由卷积层、池化层和全连接层三部分组成，这三层各司其职，共同完成从图像特征提取到最终分类的过程。
二、卷积层
1.什么是卷积
对图像（不同的窗口数据）和卷积核（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。
上图这个绿色小窗就是数据窗口。简而言之，卷积操作就是用一个可移动的小窗口来提取图像中的特征，这个小窗口包含了一组特定的权重，通过与图像的不同位置进行卷积操作，网络能够学习并捕捉到不同特征的信息。文字解释可能太难懂，下面直接上动图：
这张图中蓝色的框就是指一个数据窗口，红色框为卷积核（滤波器），最后得到的绿色方形就是卷积的结果（数据窗口中的数据与卷积核逐个元素相乘再求和）
2.卷积相关概念
a.步长stride：每次滑动的位置步长。
b. 卷积核的个数：决定输出的depth厚度。同时代表卷积核的个数。
c. 填充值zero-padding：在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑倒末尾位置，通俗地讲就是为了总长能被步长整除。
数据窗口每次移动两个步长取3*3的局部数据，即stride=2。 两组神经元（卷积核），即depth=2，意味着有两个滤波器。 zero-padding=1。
卷积层计算的结果
例如输入数据为32*32*3的图像，用10个5*5*3的卷积核来进行操作，步长为1，边界0填充为2，最终输出结果为？
(32-5+2*2）/1 +1 =32，输出规模为32*32*10的特征图
三、池化层
1.池化层的作用
一种降采样，减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。
常见的池化层：
最大池化、平均池化、全局平均池化、全局最大池化。
平均池化（average pooling）：计算图像区域的平均值作为该区域池化后的值。
最大池化（max pooling）:选图像区域的最大值作为该区域池化后的值。是最为常见的。
通常来说，CNN的卷积层之间都会周期性地插入池化层。
池化层操作方法：
与卷积层类似，池化层运算符由一个固定形状的窗口组成，该窗口根据其步幅大小在输入的所有区域上滑动，为固定形状窗口（有时称为 池化窗口）遍历的每个位置计算一个输出。 然而，不同于卷积层中的输入与卷积核之间的互相关计算，池化层不包含参数。
2.最大池化
Max pooling的主要功能是压缩，却不会损坏识别结果。 这意味着卷积后的Feature Map中有对于识别物体不必要的冗余信息。 那么我们就反过来思考，这些“冗余”信息是如何产生的。
四、全连接层
当抓取到足以用来识别图片的特征后，接下来的就是如何进行分类。 全连接层（也叫前馈层）就可以用来将最后的输出映射到线性可分的空间。 通常卷积网络的最后会将末端得到的长方体平摊(flatten)成一个长长的向量，并送入全连接层配合输出层进行分类。
五、感受野
例如图片是3通道： 卷积核为7*7的，则卷积核所需要的参数个数为：7*7=49个
卷积核为3个3*3的，则卷积核所需要的参数个数为：（3*3*3） =27
一张250*250的图片和一张500*500的图片，卷积层的权重参数数谁多？当然卷积层的权重参数跟图片大小是没有关系的，是跟卷积核相关的
六、卷积神经网络的构造
1 输入层
输入层接收原始图像数据。图像通常由三个颜色通道（红、绿、蓝）组成，形成一个二维矩阵，表示像素的强度值。
2 卷积和激活
卷积层将输入图像与卷积核进行卷积操作。然后，通过应用激活函数（如ReLU）来引入非线性。这一步使网络能够学习复杂的特征。
3 池化层
池化层通过减小特征图的大小来减少计算复杂性。它通过选择池化窗口内的最大值或平均值来实现。这有助于提取最重要的特征。
4 多层堆叠
CNN通常由多个卷积和池化层的堆叠组成，以逐渐提取更高级别的特征。深层次的特征可以表示更复杂的模式。
5 全连接和输出
最后，全连接层将提取的特征映射转化为网络的最终输出。这可以是一个分类标签、回归值或其他任务的结果。
最后图片精通卷积核处理后的样子如下：
以下是几个比较有名的卷积神经网络结构
- LeNet：第一个成功的卷积神经网络应用
- AlexNet：类似LeNet，但更深更大。使用了层叠的卷积层来抓取特征（通常是一个卷积层马上一个max pooling层）
- ZF Net：增加了中间卷积层的尺寸，让第一层的stride和filter size更小。
- GoogLeNet：减少parameters数量，最后一层用max pooling层代替了全连接层，更重要的是Inception-v4模块的使用。
- VGGNet：只使用3x3 卷积层和2x2 pooling层从头到尾堆叠。
- ResNet：引入了跨层连接和batch normalization。
- DenseNet：将跨层连接从头进行到尾。