卷积神经网络（CNN）
BP神经网络简介
- 信息的正向传播与误差的反向传播
- 梯度下降算法修正权值
- 收敛慢，冗余，过拟合
卷积神经网络
存在包含卷积层与子抽样层的特征抽取器，整个网络由三部分组成：输入层(INPUT)，n个卷积层与子抽样层（池化层）的组合，全连接的多层感知机分类器(FC)。
卷积层（CONV layer）
-
局部感受野
一般认为人对外界的认知是从局部到全局的，而图像的空间联系也是局部的像素联系较为紧密，而距离较远的像素相关性则较弱。因而，每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。
-
权值共享
在上面的局部连接中，每个神经元都对应100个参数，一共1000000个神经元，如果这1000000个神经元的100个参数都是相等的，那么参数数目就变为100了。例如，当从一个大尺寸图像中随机选取一小块，比如说 8x8 作为样本，并且从这个小块样本中学习到了一些特征，这时我们可以把从这个 8x8 样本中学习到的特征作为探测器，应用到这个图像的任意地方中去。特别是，我们可以用从 8x8 样本中所学习到的特征跟原本的大尺寸图像作卷积（卷积运算具体过程文末第二个链接中有），从而对这个大尺寸图像上的任一位置获得一个不同特征的激活值。
- 多卷积核
上面所述只有100个参数时，表明只有1个10*10的卷积核，显然，特征提取是不充分的，我们可以添加多个卷积核，比如32个卷积核，可以学习32种特征。每个卷积核都会将图像生成为另一幅图像。比如两个卷积核就可以将生成两幅图像，这两幅图像可以看做是一张图像的不同的通道。 - 激励层
一般而言跟在卷积操作之后，可以算是卷积层的子层，把卷积层输出的结果做非线性映射，不同的激励函数有不同的效果，CNN一般用的激励函数为ReLU，其余的还有sigmoid，Leaky ReLU，Maxout，tanh。
池化层(Pooling layer)
再通过卷积获得特征后，基于图像的静态性，为了减少计算量可以对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值 (或最大值)。这些概要统计特征不仅具有低得多的维度 (相比使用所有提取得到的特征)，同时还会改善结果(不容易过拟合)。这种聚合的操作就叫做池化 (pooling)，有时也称为平均池化或者最大池化 (取决于计算池化的方法)。两种子采样都可以看成特殊的卷积过程，如图下图所示：
- 均值子采样的卷积核中每个权重都是0.25，卷积核在原图inputX上的滑动的步长为2。均值子采样的效果相当于把原图模糊缩减至原来的1/4。
- 最大值子采样的卷积核中各权重值中只有一个为1，其余均为0，卷积核中为1的位置对应inputX被卷积核覆盖部分值最大的位置。卷积核在原图inputX上的滑动步长为2。最大值子采样的效果是把原图缩减至原来的1/4，并保留每个2*2区域的最强输入。
池化层的具体作用:
- 特征不变性，也就是我们在图像处理中经常提到的特征的尺度不变性，池化操作就是图像的resize，平时一张狗的图像被缩小了一倍我们还能认出这是一张狗的照片，这说明这张图像中仍保留着狗最重要的特征，我们一看就能判断图像中画的是一只狗，图像压缩时去掉的信息只是一些无关紧要的信息，而留下的信息则是具有尺度不变性的特征，是最能表达图像的特征。
- 特征降维，我们知道一幅图像含有的信息是很大的，特征也很多，但是有些信息对于我们做图像任务时没有太多用途或者有重复，我们可以把这类冗余信息去除，把最重要的特征抽取出来，这也是池化操作的一大作用。
-
在一定程度上防止过拟合，更方便优化。
CNN的一般结构如下：
- INPUT
- M*[N*(CONV+RELU)+POOL]
- (FC+RELU)*K
- FC
在实际应用中，往往使用多层卷积，然后再使用全连接层进行训练，多层卷积的目的是一层卷积学到的特征往往是局部的，层数越高，学到的特征就越全局化。
参考文章来源
作者：yunpiao123456
来源：CSDN
原文：https://blog.csdn.net/yunpiao123456/article/details/52437794
其它参考链接：https://www.cnblogs.com/skyfsm/p/6790245.html
