Tensorflow学习笔记----卷积神经网络（Convolutional Neural Network，CNN）

对于很多数据，一般的全连接层网络很难解决复杂的图片数据问题，存在着很多内存占用和计算能力的问题无法解决。

• 而卷积神经网络是一种具有局部连接，权重共享等特性的深层前馈神经网络，卷积过程就是kernel 所有权重与其在输入图像上对应元素亮度之和。
  一般是由卷积层，汇聚层，全连接层交叉堆叠而成，使用反向传播算法进行训练。其有三个结构上的特征：局部连接，权重共享以及汇聚。这些特征使得卷积神经网络具有一定程度上的平移，缩放和旋转不变性。较前馈神经网络而言，其参数更少。

• 这里的局部连接是相对于全连接来说的，全连接层里的相邻层中每一个结点都连接，这样会导致大量的存储和计算；
  但局部连接中，相邻层中结点间连接是根据当前结点所需要的信息来连接的，而且里面结点间的权值是共享的。
  以下为一个卷积神经网络的卷积过程：
  

图中，输入的是彩色RGB图像，那么输入的maps volume由红，黄，蓝三通道/三种map构成。我们之所以用input map volume这个词来形容，是因为对于多通道图像输入图像实际上是由高度，宽度，深度三种信息构成,可以被形象理解为一种"体积"。这里的“深度”，在RGB中就是3，红，黄，蓝三种颜色构成的图像，在灰度图像中，就是1。

多通道输入&多通道输出（最常用）的例子：

卷积函数：layer = layers.Conv2D(4,kernel_size=5,strides=1,padding=‘vslid’)
解释： 4:输入的图像；kernel_size：滤波器的大小，即（方形）卷积窗口的高和宽的数字；strides：纵向和横向的步长；padding：元素边框与元素内容之间的空间

卷积后求梯度例子：