卷积神经网络

计算机视觉

图片分类，目标检测

边缘检测

垂直边缘检测

以图片6x6数字表示，3x3为卷积核filter，卷积运算原理：

从6x6的矩阵中，抽出不同的3x3的矩阵与卷积核进行乘积得到一个值，比如如上图是深色部分的矩阵为第二个3x3矩阵与卷积核进行运算，得到的值为-4，线性运算。

通常边缘检测有几种，分别对应几种不同的卷积核

垂直边缘检测/水平边缘检测

在这里，可以根据机器学习的知识理论，把filter看成是对应模型的参数w。

Padding

卷积运算存在一个缺点，像上图将6x6图片生成为4x4的图片，但是在6x6图片上，相邻选择3x3的矩阵时，对于角落和边缘位置的数值（像素）选取运算的次数较少，可能会丢失到一些有用的信息。

为了解决这样的问题，引出Padding，即在6x6的图片矩阵周围一圈，加上一层数值，使6x6矩阵变成8x8的矩阵，在与之卷积核运算。

卷积步长（stride）

卷积步长即上面提到的对6x6矩阵选取3x3矩阵的方法，当stride为1时，即套入一个3x3矩阵框架，每次框架向上或向下或者向左向右，移动一格，生成一个3x3矩阵。

实际图片

实际图片有二种形式，一种是灰色图像，图像为二维矩阵，还有有一种是彩色图像，图片由R,G,B三种颜色组成，为三维，对应卷积核也会为三维

单层卷积参数对应到线性方程的权重，偏置

卷积网络层类型

一个好的卷积神经网络流程应该是

Conv-Pool-Conv-Pool-Fc-Fc-Fc-softmax

池化层 Pool

最大池化（max pooling）

最大池化，对前一层得到的特征图，进行池化减少，仅当前小区域的最大值代表最终池化后的值

不同的池化方式也有很多种，比如：

平均池化法：取小区域的均值作为区域的值

全连接层 Fc

卷积层 Conv

卷积神经网络与普通神经网络区别

1.卷积网络。参数更少

2.参数共享：一个filter对图片的一部分有用，对图片的另一部分也有用

3.连接稀疏性，对每一层，输出值只取决于少量输入