AI学习日记——卷积神经网络（CNN）：卷积层与池化层的概念
目录
一、CNN整体结构
1. 从全连接网络到CNN
2. 全连接层的问题
3. CNN的优势
二、卷积层详解
1. 卷积运算基础
2. 填充（Padding）
3. 步幅（Stride）
4. 三维数据的卷积运算
5. 多滤波器机制
6. 批处理
三、池化层
1. 作用与类型
2. Max池化的计算过程
总结
一、CNN整体结构
1. 从全连接网络到CNN
传统的全连接神经网络在处理图像时存在明显局限性，而卷积神经网络通过特殊的层结构更好地处理具有空间结构的数据。
全连接网络结构：
相邻层的所有神经元之间都有连接
CNN网络结构：
CNN引入了两种新的层类型替代Affine层：
-
卷积层（Convolution层）
-
池化层（Pooling层）
2. 全连接层的问题
形状信息丢失：
-
全连接层需要将3D图像数据展平为1D向量（把输入（1, 28, 28）的图片数据信息变成784）
-
丢失了像素间的空间关系信息（图片像素点相邻值应该相似）
-
无法利用图像的局部相关性
3. CNN的优势
在CNN中，各层的输入输出数据称为特征图：
-
输入特征图
-
输出特征图
特征图保持了数据的空间结构，这是CNN能够有效处理图像的关键。
二、卷积层详解
1. 卷积运算基础
卷积运算相当于图像处理中的滤波器运算，通过滑动窗口在输入数据上应用滤波器。
基本计算过程：
-
滤波器在输入数据上滑动
-
对应位置元素相乘后求和
-
结果保存到输出对应位置
-
把结果加上偏置求和
2. 填充（Padding）
-
在输入数据周围添加固定值（通常是0）
-
目的：控制输出特征图的大小，防止网络过深时特征图尺寸过小
3. 步幅（Stride）
-
滤波器移动的间隔大小
-
步幅增大，输出尺寸减小
-
步幅减小，输出尺寸增大
输出尺寸计算公式：
-
H, W：输入高和宽
-
FH, FW：滤波器高和宽
-
P：填充大小
-
S：步幅
-
OH, OW：输出高和宽
所设定的值必须使输出尺寸计算公式可以除尽，当值无法除尽时，有时会向最接近的整数四舍五入，不进行 报错而继续运行。
4. 三维数据的卷积运算
真实图像是3维数据（通道×高度×宽度），会按通道进行输入数据和滤波器的卷积运算，并将结果相加，从而得到输出。
3D卷积特点：
-
输入数据和滤波器通道数必须相同（输入三层，滤波器也必须是三层）
-
各通道分别进行卷积运算
-
结果相加得到单通道输出，最后只输出一层
数据格式：
-
输入数据：(C, H, W)
-
滤波器：(C, FH, FW)
-
输出数据：(1, OH, OW)
5. 多滤波器机制
由前文所说，多通道数据在滤波器过后只会输出一层数据，因此为了在通道方向获得多个输出，需要使用多个滤波器，每个滤波器独立提取不同类型的特征。
多滤波器配置：
-
滤波器形状变为：(FN, C, FH, FW)
-
FN：滤波器数量
-
-
输出形状变为：(FN, OH, OW)
偏置形状：
-
偏置形状：(FN, 1, 1)
-
每个滤波器对应一个偏置值
6. 批处理
批处理数据格式：
-
输入数据：(N, C, H, W)
-
滤波器：(FN, C, FH, FW)
-
输出数据：(N, FN, OH, OW)
三、池化层
1. 作用与类型
池化层的主要作用是缩小特征图的尺寸，从而减少参数量并增强特征的鲁棒性（稳健性）。
主要池化类型：
-
Max池化：从目标区域中取最大值
-
Average池化：计算目标区域的平均值
在图像识别领域，Max池化是最常用的方法。
2. Max池化的计算过程
Max池化按指定窗口大小和步幅在输入数据上滑动，取每个区域内的最大值。一般池化的窗口大小会和步幅设定成相同的值。
总结
本文介绍了卷积神经网络(CNN)的基本结构和工作原理。与全连接网络不同，CNN通过卷积层和池化层处理图像数据，保留了空间结构信息。卷积层利用滤波器提取特征，涉及填充、步幅、三维卷积和多滤波器机制；池化层则通过Max池化、Average池化等方法缩小特征图尺寸。这些特性使CNN能有效处理图像数据，在计算机视觉领域展现显著优势。