卷积神经网络（CNN）

卷积神经网络主要就是应用于计算机视觉（CV）当中！

可以做啥？

检测任务：检测追踪

分类与检索：分类看图像是啥，检索比如说淘宝里面识别一张图片得到类似商品

超分辨率重构

医学任务等

无人驾驶

人脸识别

传统神经网络与卷积神经网络的区别

卷积神经网络拿到一张图像直接进行处理，不需要将图像中的点拉成一维向量；

整体架构

卷积层：提取特征

池化层：压缩特征

卷积

h*w*c

上面的一块小区域的样本点矩阵：

小区域处的权重矩阵：

图像颜色通道：平时见到的图像是由R,G,B三种通道构成的（即可以把图像看为一个三维的）

在实际计算的时候要对三种通道分别计算，最终把每个通道卷积得到的结果加在一起！

例：三颜色通道分别计算：

注意：输入图像的第三个维度和Filter中的第三个维度的大小必须保持一致！！！

         Filter中的前两个维度代表从输入图像中取多大的一个区域取一个特征值，第三个维度相当于对输入图像的RGB三个通道进行三次计算。

卷积的计算：矩阵内积（对应位置相乘，最后数据相加）

三个通道分别进行卷积完成后，相加，然后再加一个偏置就得到该区域的特征值了！

对于计算的到的特征图个数的情况：

对于相同的数据使用不同的filter可以得到不同的特征图，然后将这些不同的特征图堆叠在一起，可以用不同的filter使得提取的特征更加丰富；

上面生成了一个28*28*6的特征图；

堆叠的卷积层

卷积层设计参数

• 滑动窗口步长

• 卷积核尺寸
• 边缘填充

用0填充：保证原始边缘的数据得到充分的利用；

• 卷积核个数

特征图的个数

卷积结果计算公式

长度：H2=

宽度：W2=

其中，H1，W1分别是输入的长度和宽度；H2、W2表示输出特征图的长度和宽度；F表示卷积核的长度和宽度；S表示滑动窗口的步长；P表示边界填充（加几圈0）。

卷积参数共享

实际中，对于一次输入图像的卷积，每个小区域所使用的卷积核是相同的；

例如对于一个7*7*3的输入图像，如果使用卷积核3*3*3，对于RGB三个通道，R通道每个小区域使用的卷积核权重参数是相同的；G通道每个小区域卷积的时候使用的权重参数是相同的；B也是；但是三个通道的权重参数是不同的。而这三个通道的权重参数组成了一个Filter（3*3*3）。

池化层

只会改变长和宽，C不变；

最大池化：

还有average池化，但是研究表明，最大池化效果最好；

池化没有涉及到任何矩阵的计算，只是对数据进行了压缩筛选；

感受野

该层的数据是由前面多少个数据参与计算得到的（即感受到的数据）

图中最后的一个红色区域的感受野是5*5；

感受野越大越好！！！