CNN（卷积神经⽹络）原理讲解及简单代码⼀、原理讲解 kcv1. 卷积神经⽹络的应⽤
分类（分类预测）
检索（检索出该物体的类别）
分割（将图像分割出来）
⼈脸识别
图像⽣成（⽣成不同状态的图像）
⾃动驾驶
等等。。。
2. 传统神经⽹络与卷积神经⽹络⽐较
传统神经⽹络采⽤的是全连接神经⽹络，权重矩阵的参数太多，导致速度减慢，也会产⽣过拟合。 卷积神经⽹络通过卷积核，⼤⼤降低了参数个数。实现局部关联，参数共享的效果。
3. 卷积神经⽹络基本结构
zipa
卷积层
激活层（ReLu）
池化层
全连接层
3.1 卷积层(Convolutional Layer)
卷积是对两个实变函数的⼀种数学操作，也就是求内积。
在图像处理中，图像是以⼆维矩阵的形式输⼊到神经⽹络的，因此我们需要⼆维卷积。
图3-1
图3-2
图3-3
图3-1、图3-2、图3-3很好地展⽰了卷积过程，名称注释如下：
peekinput：输⼊层，即图像的矩阵向量
kernel：卷积核或称滤波器，可以定义卷积核的⼤⼩，图3-1中卷积核的⼤⼩为2*2
output：输出，即特征图feature map，通过卷积计算出来的结果。计算公式为input(图3-1中为4*3)·kernel(图3-1中为2*2)，两个向量求内积。 stride：步长，即卷积核向右滑动的长度。图3-1中步长为1。
padding：填充，当卷积时，卷积核滑动到最右侧发现⽆法形成与⾃⼰单元⼀致的向量时，需要在四周⽤0填充，确保卷积核能完成计算过程。如图3-4所⽰。
depth/channel：深度，即当前卷积层中卷积核的个数。如图3-4为2层。
图3-4
卷积是从输⼊图像中提取特征的第⼀层，Conv层的⽬标是提取输⼊数据的特征。 卷积通过使⽤⼩⽅块输⼊数据学习图像特征来保持像素之间的关系。
输出的特征图(feature map)⼤⼩：
图3-5
未加padding时：
（N-F）/stride + 1
加padding时：
（N-F+padding*2）/stride + 1
例⼦：
input：32*32
filter：10， 5*5
stride：1
padding：2
输出：？ （32-5+2*2）/1+1=32 ，即 32*32*10
参数：？ （5*5+1）*10
代码实现：
1# 定义卷积核，10个卷积核，卷积核⼤⼩是5，⽤Relu激活
2 conv0 = v2d(datas, 10, 5, lu)
3.2 池化层(Pooling Layer)
特征：
保留了主要特征的同事减少参数和计算量，防⽌过拟合，提⾼模型泛化能⼒。
西门子m65
它⼀般处在卷积层和卷积层之间，全连接层和全连接层之间。
类型划分：
max pooling：最⼤化池化，如图3-6和图3-7所⽰夜 明
average pooling：平均池化，如图3-7所⽰
图3-6
图3-7
3.3 全连接层（Fully Connected Layer）
两层之间所有神经元都有权重连接
通常全连接才呢过在卷积神经⽹络尾部
全连接层参数量通常最⼤保全世纪(北京)保安服务有限公司
⼆、代码实战
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议