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。



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。


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%。



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。




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。


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。
漫画：卷积神经网络中的卷积核到底是什么？
漫画：卷积神经网络为什么适合处理图片数据？
干货 | 如何入手卷积神经网络
在卷积层的讲解中 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


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115 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 我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~