神經網路-卷積
1 人贊了文章
- 神經網路中卷積的作用是什麼？
首先，這裡的卷積和數字信號處理等領域的用法不一樣。在圖像處理領域，卷積可理解為對圖像進行了特徵的更好提取和抽象。也可理解為：圖像處理中需要去抽象，把點抽象成線，把線抽象成圖形來進行組合併進行判斷是什麼物體（對特徵進行提取，組合）。卷積更多應用在圖像處理方面，但不僅僅局限在圖像處理方面，也可以應用在其他諸多領域。
1 每個神經元只看局部的像素點，w個數少，但是通過層數的增加，可以彌補w個數的減少。神經網路中層數越多，證明推理和演繹的越多。
圖像處理中需要去抽象，把點抽象成線，把線抽象成圖形來進行組合併進行判斷是什麼物體。
卷積在圖像處理領域更多是進行特徵提取，組合。
卷積更多的是做圖像處理方面，但也不局限於在圖像處理方面，也可以應用在其他領域，
2 有關圖片輸入
假設圖片是28*28，
DNN：輸入為（m,784,1）
CNN：直接用二維。輸入為（m,28,28,1）
其中，上式中1為通道
3 卷積過程
上圖中，
input volume：是一個三通道的輸入圖像（用像素表示）
filter W0：第1個3通道的卷積核，截距bias為1。
filter W1：第2個3通道的卷積核，截距bias為0。
output volume：表示feature map，也即輸出層
3.1 卷積計算
原始圖像看成是x，卷積核（filters）看做是w矩陣，feature map中的的對應的像素值是x與 w對應相乘並相加，然後與bias進行相加可得。
eg：上圖中output volume中6是圖中畫圈部分1與2對應位置相乘相加，然後在加上filter W0的截距所得到。
3.2 步長（即卷積核上下左右移動尺度）
eg:步長（stride）：（1,1），橫豎每次移動都是走一步。
3.3輸出的Feature map和誰有關係？
原始圖像大小，卷積核大小以及步長
3.4 圖片的大小
一個圖片（hight，width），其實就代表一個圖片的行和列
4 zero padding
目的：為了卷到所有的像素， 自動補0（均勻補0）
好處：
- 不想丟掉下方和右邊的像素點
- Feature map太小，可以保證和上一層的大小保持一致。
- 對周邊的像素點也很看重
5 padding模式
- valid
不使用zero padding，有可能會忽略圖片右側或底下，這個得看stride的設置
- SAME
必要會加zero padding，這種情況下，輸出神經元個數等於輸入神經元個數除以步長（向上取整）。每個像素點都會被掃描到。
6 輸出的feature map的大小如何計算？
輸入的圖片大小除以步長可以計算feature map的大小
7 卷積核的個數和feature map的個數一致
8 卷積核的意思可看作是從不同的角度去審視原來的圖片
9 filter 的通道數要和原始圖片的通道保持一致
10 卷積神經網路的好處
權值共享（理解其含義），計算的w個數少。
11 卷積核的通道數要和上一層feature map的通道數一致
12 卷積層前面有幾個w去算，取決於卷積核的個數和大小所求
15 w參數的個數計算公式：nfilter*filter_size*channel+nfilter（截距）
16 卷積為什麼計算的w少？
1 權值共享2 卷積是局部連接
17 通過卷積以後conv(x)[0].shape知道feature map的寬高
18 卷積只是對圖像進行了特徵的提取和抽象
更好的效率去提取特徵，（從不同的面去看圖像）
19 圖層的個數（feature map的個數）與下一層卷積核的通道數一致
推薦閱讀：