深度学习（一）：卷积神经网络的基本概念
深度学习（一）：卷积神经网络的基本概念
1.卷积层
卷积层是卷积神经网络的核心。
什么是卷积？我认为，类似于一个过滤器，或者
如何卷积？通俗来说，用一个滑动窗口在特征中滑动并进行相应的计算——卷积核与之进行相乘，相加，然后strid表示步距，即滑动窗口滑几个格子
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vJrng99h-1591437324990)(assets/1591436367286.png)]
特性：局部感知；权值共享
1.卷积核的channel与输入特征层的channel相同（深度）
2.输出的特征矩阵channel与卷积核个数相同
相关参数：卷积核的大小F、stride步长，padding补齐的边距
2.池化层 pooling
池化层比较好理解，就是用于降低输入数据的纬度，减少计算。主要方法有：平均池化，最大池化。
如下图所示。池化可以将一个4×4的矩阵降为2×2的矩阵。
3.非线性层
非线性层即**函数，常用的**函数有sigmoid和relu，现在比较常用的是后者。
sigmoid **函数缺点：不好算导数，网络比较深的时候出现梯度消失的问题。
4.全连接层
在全连接层中，我们会将最后一个卷积层的输出压平，并把当前层的每个节点和下一层的节点相连。其实全连接层就是一种常规的人工神经网络，如下图所示。全连接层中的操作和人工神经网络中的操作是一某一样的：
综上所述，一个神经网络的整个过程基本完成，下面我们总结一下卷积神经网络的过程：
一 卷积运算：前一层的特征图与一个可学习的卷积核进行卷积运算，卷积的结果经过**函数后的输出形成这一层的神经元，从而构成该层特征图，也称特征提取层，每个神经元的输入与前一层的局部感受野相连接，并提取该局部的特征，一旦该局部特征被提取，它与其它特征之间的位置关系就被确定。
二 池化运算：它把输入信号分割成不重叠的区域，对于每个区域通过池化（下采样）运算来降低网络的空间分辨率，比如最大值池化是选择区域内的最大值，均值池化是计算区域内的平均值。通过该运算来消除信号的偏移和扭曲。
三 全连接运算：输入信号经过多次卷积核池化运算后，输出为多组信号，经过全连接运算，将多组信号依次组合为一组信号。
四 识别运算：上述运算过程为特征学习运算，需在上述运算基础上根据业务需求（分类或回归问题）增加一层网络用于分类或回归计算。
参考文档