卷积神经网络（一）- 卷积神经网络

本次学习笔记主要记录学习深度学习时的各种记录，包括吴恩达老师视频学习、花书。作者能力有限，如有错误等，望联系修改，非常感谢！

---

第一版       2022-06-28        初稿

---

一、计算机视觉(Computer vision)

1.计算机视觉的高速发展标志着新型应用产生的可能；
2.即使CV上未有成果，但可启发人类。

`如左上图识别猫，左下图目标检测（不一定测出车辆，但要算出位置），右图图片风格迁移。
计算机视觉面临挑战：数据输入可能非常大。

实际操作时，图片数据量为64x64x3，每张图片都有3个颜色通道。所以我们的特征向量x维度为12288.

若输入300万数据量，意味着特征向量x的维度高达300万。所有权值组成矩阵W^[1]，会有30亿个参数，难以获得足够数据防止过拟合和竞争需求。

二、边缘检测示例(Edge detection example)

卷积运算是卷积神经网络最基本的组成部分。
如图下方，检测垂直线和水平线，

6x6x1的矩阵。为了检测图像的垂直边缘，构造一个3x3矩阵，卷积神经网络中，常称为过滤器，有时称为核。
数学中，卷积用“*”来表示；但在python中，常用来表示乘法或元素乘法。

如图元素乘法，逐步移动。python中卷积为conv_forward函数，tensorflow为tf.conv2d，Keras中用Conv2D。

三、更多边缘检测内容(More edge detection)

本节区分正边和负边。

图片颠倒，得到的结果变化如图。 不在乎两者区别，可取出矩阵的绝对值。


sobel 过滤器，优点在于增加了中间一行元素的权重，使得结果的鲁棒性更高一些。
Scharr过滤器，实际上是一种垂直边缘检测。
还有一种过滤器，对于数据的捕捉能力胜过任何手写的过滤器，可检测45度或70度。

四、Padding

一个基本的卷积操作padding。
如果我们有一个nxn的图像，用fxf的过滤器做卷积，那么输出的维度是(n-f+1)x(n-f+1)。

缺点：1.每次做卷积操作，图像会缩小；2.角落边缘像素制备一个输出所触碰或使用，丢掉了图像边缘位置的许多信息。
解决：在卷积操作之前填充这幅图像，可在图像边缘再填一层像素。
若p是填充数量，输出为(n+2p-f+1)x(n+2p-f+1)。

选择填充多少像素，通常有两个选择，Valid卷积和Same卷积。
Valid卷积：意味不填充。
Same卷积：输出大小和输入大小一样，习惯上f通常为奇数。
f很少为偶数原因：1。可能使用一些不对称填充；2.奇数会有一个中心像素点

五、卷积步长(Strided convolutions)

另一个基本操作是卷积的步幅。

用3x3过滤器卷积7x7，步幅设为2。padding为p，步幅为s。
公式：
$$\lfloor \frac{n+2p-f}{s}+1\rfloor \ast \lfloor \frac{n+2p-f}{s}+1\rfloor$$
商不是正数则向下取整，也叫作对z进行地板除(floor)。


有时称为互相关而不叫卷积。但在深度学习文献中，按惯例叫做卷积操作。

六、三维卷积(Convolutions over volumes)

彩色图像为三维，图像通道数必须和过滤器的通道数匹配，紫框的数必须相等。

把过滤器画成立方体。
过滤器有27个数，把它放在最左上角位置，先取红色的前9个数，再是绿色，再是蓝色。然后把这些数加起来得左上角数。
接着向右滑动一个单位计算。

若不关心垂直边界在哪个颜色通道里，可以用三个过滤器：
$$\left(\begin{array}{ccc}1& 0& -1\\ 1& 0& -1\\ 1& 0& -1\end{array}\right)$$

同时检测垂直边缘和水平边缘，还有45°倾斜边缘，70°倾斜边缘怎么办？
同时卷积，将所得结果堆叠在一起，得4x4x2的立方体。

若有n x n x nc的输入图像，nc为通道数目（或者叫做深度），然后卷积上一个f x f x nc的过滤器，前后通道数目必须相同。就得到(n-f+1) x (n-f+1) x nc’。nc’是下一层的通道数，就是过滤器个数。若使用padding，数值便发生变化。

七、单层卷积网络(One layer of a convolutional network)

如图是上节降到的三维卷积，最后形成一个卷积神经网络层，通过广播机制增加偏差，然后应用非线性函数，即ReLU函数。
同样，第二个矩阵也加上不同的偏差，

前向传播中一个操作是z^[1]=W^[1]a^[0]+b^[1]，其中a^[0]=x，执行非线性函数得a^[1]。W^[1]表示过滤器。

10个过滤器，神经网络一层是3x3x3，那么一层有多少个参数？
   每个过滤器有27个参数，加上一个偏差，参数增加到28。10个过滤器，加一起是28x10，即120个参数。不管输入图片多大，参数始终280个。卷积神经网络一个特征：避免过拟合。

如图为卷积层的各种标记。
Activations中，若是批量梯度下降，变量排列顺序为索引，训练示例和其它三个变量。

八、简单卷积网络示例(A simple convolution network example)

把需输入图片定义为x，用0或1辨别图中是否有猫。
1.例子中，高宽都为39，nc=3，第一层用3x3的过滤器来提取特征，高宽使用了valid卷积。
2.若有10个过滤器，下层激活值则为37x37x10，37由下公式所得：
$$\frac{n+2p-f}{s}+1$$
$$\frac{39+0-3}{1}+1=37$$
然后第二层继续卷积，用到5x5的过滤器，有20个。输出为17x17x20。
接着第三层卷积，40个5x5的过滤器，步幅为2，得到7x7x40。
计算出1960个特征，对该卷积进行处理，可以将其平滑或展开成1960个单元。填充到logistic回归或softmax回归中。

设计卷积神经网络时，要考虑过滤器大小、步幅、padding、过滤器数目，图像的高宽会随网络深度加深而减小，通道数量会增加。

一个典型的卷积神经网络通常有三层：
1.卷积层CONV
2.池化层POOL
3.全连接层FC
池化层和全连接层比卷积层更易设计。

九、池化层(Pooling layers)

除了卷积层，通常会用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性。

如图所用池化类型为最大池化，执行最大池化的树池是一个2x2矩阵，此输出每个元素对应颜色区域里的最大元素值。就如使用了一个2x2的过滤器，步幅为2。左上角所得很大，可能是CAP特征。

最大化运算实际作用是，如果在过滤器中提取到某个特征，那么保留其最大值。若没有提取到这个特征，可能右上象限不存在这个特征，其中的最大值也很小，这就是最大池化的直观理解。
其有个特点是，由一组超参数，但并没有参数需要学习。

输入5x5，采用最大池化法，过滤器为3x3，步幅1，输出为3x3。

平均池化不常用。深度很深的神经网络可以用平均池化来分解规模为7x7x1000的网络的表示层，在整个空间内求平均值，得到1x1x1000。

池化的超参数包括：
1.过滤器大小f
2.步幅s
3.最大池化 或 平均池化
常用f=2，s=2，相当于高宽减半。池化过程没有需要学习的参数。

十、卷积神经网络示例(Convolutional neural network example)

有32x32x3的输入图片，做手写体数字识别0-9。过程：
1.所用模型和LeNet-5相似。第一层6个过滤器为5x5，步幅1，padding=0，所得标记为CONV1。
2.构建池化层，选用最大池化，f=2，s=2，padding=0，输出标记为POOL1。
3.接着构建Layer2，包含CONV2和POOL2。
4.5x5x16有400个元素，平整化一个大小为400的一维向量，想象为神经元集合，利用400元素构建下一层，包含120个元素，标记为FC3，即400元素和120元素为全连接层。
5.再对FC3加一个全连接层FC4，含有84个单元。
6.用84个单元填充soft函数，softmax识别手写数字就会有10个输出。

卷积文献中包含两类卷积：
1.一个卷积层和一个池化层为一层，是神经网络的Layer1，
2.卷积层作为一层，池化层单独作为一层。
在计算神经网络层数时，通常只统计具有权重和参数的层。池化层没有权重和参数。

随着网络加深，高宽都会减小，通道数会增加。卷积神经网络中常见的还有，一个或多个卷积后面跟随一个池化层，接着一个或多个卷积后跟随一个池化层，然后是几个全连接层，最后是一个softmax。

1.池化层和最大池化层无参数
2.卷积层参数相对较少
3.许多参数集中在全连接层

十一、为什么使用卷积(Why convolutions?)

卷积层优势在于 参数共享 和 稀疏连接。

1.参数共享
特征检测若适用于图片的某个区域，那么也可能适用于其他区域。
2.稀疏连接
输出的左上角的0仅仅依赖输入左上角的九个数。
通过这两种机制可以减少参数，以便用更小的训练集训练它，预防过拟合。

最后，把这些层整合起来：输入图片，增加卷积层和池化层，再添加全连接层，最后输出一个softmax，即y^。

¹

---

1. 深度学习-吴恩达 ↩︎

转载：https://blog.csdn.net/zxq997997/article/details/125503040