深度卷积神经网络学习（CNN）

什么是卷积神经网络

CNN ：神经网络在前面的学习中我们已经了解过很多了，其本质就是多层感知机，卷积神经网络其实也一样，但是我们可以将其看成多层感知机的变种。它成功的原因在于其所采用的局部连接 和权值共享 的方式：

• 一方面减少了权值的数量使得网络易于优化，算力大大提高

• 另一方面降低了模型的复杂度，也就是减小了过拟合的风险

该优点在网络的输入是图像时表现的更为明显，使得图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建的过程，在二维图像的处理过程中有很大的优势。

2.模型构建：

CNN ：首先了解卷积神经网络的四个组件：

• 卷积层(Convolution)

• 非线性映射(ReLu)，即非线性激活函数

    model.add(Conv2D(32,(3,3),activation='relu',padding='valid',input_shape=((28,28,1))))
    
    
    python
    
    

• 池化层(Pooling)

    model.add(MaxPool2D(2))
    
    
    python
    
    

• 分类层(FC)

    model.add(Flatten())
    
    
    python
    
    

接下来我主要介绍卷积层和池化层

• 首先介绍卷积层，卷积层主要有以下三种特性：

  • 参数共享

  • 自动提取特征

  • 平移不变性

卷积操作其实并不算复杂，但是他有很多种卷积方式，我们在进行卷积之后输出的图像也会和我们选择的卷积核有关，能够让维度下降、不变、甚至上升。

• 接着介绍池化层，池化层一般分为以下两种池化：

  • 一般池化（最常用的池化，池化的过程中，不会将前面操作过的像素再用于池化操作）

  • 重叠池化，和一般池化相反，一般池化的步长为1时，使用过的像素就会重叠，即重复使用

  • 池化层的同样拥有三种特性：

    • 池化无参数

    • 具有降维作用

    • 缩放不变

一般的池化操作我们会使用最大池化，即在选定的部分像素中，我们选择其中最大的一个像素值来作为这一部分的像素的代表，这就使得整体的数据降维，我们生活中常见的马赛克，就是池化操作产生的。

常见的卷积神经网络模型

1. LetNet-5模型 ：
   
   Conv-Pool-Conv-Pool-FC-FC-Softmax

模型相对简单，层数也较少

AlexNet模型 ：

Conv-Pool-Conv-Pool-Conv-Conv-Conv-Pool-FC-FC-Softmax

VGG-16模型 ：

Conv-Conv-Pool-Conv-Conv-Pool-Conv-Conv-Conv-Pool-Conv-Conv-Conv-Pool-FC-FC-FC-Softmax

GoogleNet模型 （Inception V1）

是一种既有深度又有宽度的模型，具有以下功能：

• 实现跨通道的交互和信息整合

• 可以把不同特征图组合

• 全连接可以看作1X1卷积操作

5. ResNet模型 ：
   
   该模型使用ReLu函数用于激活，改善了梯度消失的问题，使信息前后向传播更加顺畅

• 提升了参数利用率

• 底层的特征也进行了充分的传递，泛化性较好

• Loss对底层参数有一定的影响，能较容易地进行训练

3.实验过程：

1. 手写数字集测试 ：

• 首先我们对比一下，图片在经过卷积或者池化操作之后，跟原图会有什么区别

    # TensorFlow 卷积池化
    import tensorflow as tf
    import matplotlib.pyplot as plt
    import numpy as np
    
    
    python