今天给大家讲一下卷积神经网络，主要包括四个部分：卷积神经网络的历史、全连接层、卷积层和池化层。
CNN的英文全称是Convolutional Neural Network，雏形是LeCun在1998年发明的LeNet网络结构。
LeNet网络架构
那么到底什么是神经网络呢？应该说只要带有卷积层的就可以被叫做卷积神经网络。
神经网络的发展历史
1986年：Rumelhart和Hinton等人提出了反向传播（Back Propagation）算法。
1998年：LeCun基于BP神经网络训练了LeNet网络，标志着CNN的真正面世。
2006年：Hinton在他们的Science Paper中首次提出了Deep Learning的概念。
2012年：其实在2006年Hinton提出深度神经网络之后，受到了很多的质疑，但是在2012年Hinton的学生Alex Krizhevsky在寝室用GPU死磕了一个Deep Learning模型，一举拿下了计算机视觉TOP领域ILSVRC 2012的冠军，在百万量级的ImageNet数据集合上，效果大幅度的超过了传统的方法，准确率从70%提升到80%。
全连接层
其实全连接层就是模仿大脑的神经元结构，我们可以看到：
输出值 = 输入值x经过加权w之后累加的结果再经过激励函数。形式化为：
那么我们将神经元按列进行排列，列与列之间进行全连接，就得到了一个BP神经网络。
BP神经网络算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。
下面我们来看一个实例来了解一下BP神经网络。
实例：利用BP神经网络进行数字识别
我们拿到一张图片，例如上边第一张图所示拿到的是0，这张图是由若干像素组成，每个像素有RGB三个通道，然后经过灰度化后变成第二张图片，然后将灰度化后的图片进行二值化得到第三张图片。
之后我们对图片进行概率处理，例如第一个框中白色块/全部块 = 0.2，经过相应的策略处理之后第一个数值为0.2。以此类推，可以得到上图右边的矩阵。
然后我们对这个矩阵进行维度变换和处理，将其变为1*n的行向量，这样处理之后的形式可以使得神经网络更好的输入处理。
我们知道神经网络如何输入了，那么最后应该输出什么才可以更好的辨别数字呢？One-Hot编码！
也就是说，每个数字都对应一个编码，如果输入1000000000，则判定为数字0，以此类推。
既然有了输入，也有了输出，我们就可以通过神经网络对其进行训练了。
首先将输入层的神经元数设置为25个节点，将输出层设置为10个节点，将上边1*n的向量输入到BP神经网络中，然后经过隐藏层最后到输出层onehot编码，输出层通过softmax激活函数可以得到每个数字出现的概率，即可识别数字。
卷积层
到底什么是卷积层？之前的文章中讲过了，有兴趣的可以直接查看。
在卷积层的讲解中，阿广想问大家一个问题，卷积核如果越界了应该如何处理？例如下面这样：
假设用这么一个矩阵，我们使用3*3的滑动窗口，步长为2，则出现下面这种情况应该如何处理？
我们可以对其进行使用Padding对其进行补0处理，如下所示：
在卷积操作过程中，矩阵经过卷积操作之后大小由下面几个因数决定：
输入图像大小W*W
Filter大小F*F
步长S
padding的像素数P
经过卷积后的矩阵尺寸大小是有一个规律的，那么给大家一个通用的公式：
N=(W-F+2P)/S+1
池化层
为什么要存在池化层？因为当前的输入数据太大，有很多冗余信息，那么我们就要想办法对图像矩阵进行下采样，对特征图进行稀疏处理，减少数据运算量。下面通过MaxPooling下采样来给大家看一下到底什么是池化层。
上图中红色部分的值为1 1 5 6，我们使用的是MaxPooling，所以取最大值，则右图中红色部分为max(1,1,5,6)=6，以此类推，即可得到下采样结果。
类似于最大下采样，同样也有平均下采样层，如下图所示：
为了大家更好的理解和使用池化层，阿广总结了池化层的三个特点：
没有训练参数
只会改变特征矩阵的w和h，不改变channel
一般pool size和卷积核的stride相同
今天阿广讲的是卷积神经网络的整体架构基础，包括神经网络的发展历史、全连接层、卷积层和池化层，大家有什么见解或者想法都可以在下面留言哦~
加个“星标★”，欢迎留言！
阿广 · 一个会讲段子的科学探索者
原创不易，请多在看转发支持。包邮送五本优质技术书籍，上周中奖名单如下：如果你也想中奖，请多留言多阅读，下周就是你！
PS：特别感谢北京大学出版社的赞助，下面部分图书参与了京东五折活动，如没有中奖，欢迎用券购买。中奖者请添加微信领取书籍：872561826。
转载：https://blog.csdn.net/zandaoguang/article/details/105085681