【深度学习】卷积神经网络中的相关知识

矫情吗；* 2022-03-07 04:34 281阅读 0赞

# 卷积神经网络 #

卷积神经网络（Convolutional neural network），经典的多层感知机是有一系列的全连接层组成，卷积神经网络中除了全连接层以外，还有卷积层和池化层（pooling）。

## 为什么需要卷积层 ##

多层感知机中的全连接层会导致庞大的参数量，这会有很高的过拟合风险。卷积是**局部连接、共享参数**版本的全连接层。这样就使参数量大大降低。

卷积层中的权值常常称作滤波器（filter）或卷积核（Convolution kernel）。

![preview][]

# 局部连接 #

在全连接层中，每个输出通过权值（weigh）和所有的输入相连。而在视觉识别中，关键性的图像特征、边缘、角点等只占据了图像的一部分，图像中的相距很远的两个像素之间的相互影响的可能性很小。

因此，在卷积层中，每个神经元在通道方向上保持全连接，而在空间方向上只和一小部分输入神经元相连。

# 共享参数 #

如果一组权值可以在图像中某个区域提取出有效的表示，那么它们也能在图像的另外区域中提取出有效的表示。也就是说，如果一个模式（pattern）出现在图像中的某个区域，那么它们也可以出现在图像中的其他任何区域。因此，卷积层不同空间位置的神经元共享权值，用于发现图像中不同空间位置的模式。共享参数是深度学习一个重要的思想，其在减少网络参数的同时仍然能保持很高的网络容量（capacity）。卷积层在空间方向共享参数，而循环神经网络（recurrent neural network）在时间上共享参数。

# 卷积层的作用 #

通过卷积，我们可以捕获图像的局部信息。通过多层卷积的堆叠，各层提取到特征逐渐由边缘、纹理、方向等低层特征过渡到文字、车轮、人脸等高级层级特征。

# 卷积层中的卷积核数学教材中的卷积有什么关系  #

这里的卷积核数学教材中的卷积基本上没有关系。卷积层中的卷积实质是输入和权值互相关（cross-correlation）函数，而不是数学教材中的卷积。

# 描述卷积的四个量 #

一个卷积层的配置由四个量确定：

（1）滤波器的个数：使用一个滤波器对输入进行卷积会得到一个二维特征图（feature map）。我们可以同时使用多个滤波器对输入进行卷积，以得到多个特征图。

（2）感受野（F，receptive field）：即滤波器空间局部连接大小。

（3）零填充（P，zero-padding）：随着卷积的进行，图像会缩小，图像的边缘信息丢失。零填充可以控制输出图像的大小。

（4）步长（S，stride）：滤波器在输入每移动S个位置，进行一次神经元输出。

使用TensorFlow进行卷积运算：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70][]

# 卷积操作的实现 #

有如下几种思路

（1）快速傅里叶变换（FFT）。通过变换到频域，卷积运算将变为普通矩阵乘法。实际中，当滤波器尺寸大时效果好，而对于通常使用的1×1和3×3卷积，加速不明显。

（2）im2col（image to column）。im2col将与每个输出神经元相连的局部输入区域展成一个列向量，并将所有得到的向量拼接成一个矩阵。这样卷积运算可以用矩阵乘法实现。im2col的优点是可以利用矩阵乘法的高效实现，而弊端是会占用很大存储，因为输入元素会在生成的矩阵中多次出现。此外，Strassen矩阵乘法和Winograd也常被使用。现有的计算库如MKL和cuDNN，会根据滤波器大小选择合适的算法。

# 应该使用多大的滤波器 #

[preview]: /images/20220307/73d9657426fd40159450b551f1bd20e3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70]: /images/20220307/34d99a697e5a4032944e1b3ea0d00780.png