神经网络（系统性学习四）：深度学习——卷积神经网络（CNN）

相关文章：

卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习模型，专为处理具有网格拓扑结构的数据而设计，最常见的应用场景是图像数据。CNN 通过卷积操作和权值共享机制，能够有效提取数据的局部特征，同时减少模型的参数量和计算复杂度，使其在图像分类、目标检测和自然语言处理等领域表现出色。

CNN基本结构：输入层，卷积层，池化层，全连接层（MLP过程），输出层

核心概念

1、卷积（Convolution）

卷积操作是CNN的核心，其作用是提取输入数据（如图像）的局部特征。

卷积核（Filter，过滤器）：一个小尺寸的矩阵，用于扫描输入特征图，并计算点积以提取特定特征。
特征图（Feature Map）：卷积操作的输出，表示输入数据中某种特征的激活情况。
步幅（Stride）：卷积核在输入特征图上移动的步长，影响输出特征图的大小。
填充（Padding）：为保持输出与输入尺寸一致，在输入边界周围添加零值（常用“same”或“valid”填充策略）。

2、池化（Pooling）

池化层通过对特征图进行降维，减少计算量并增强特征的鲁棒性。

最大池化：取池化窗口内的最大值。
平均池化：取池化窗口内的平均值。
全局池化：对整个特征图取全局最大或平均值。

3、权重和参数共享

卷积核的参数（权重）在整个输入特征图上共享，显著减少了参数量，提高了模型的训练效率。

4、Dropout

一种正则化技术，用于随机丢弃一部分神经元，防止过拟合。

什么是“卷积”

卷积（Convolution）是一种数学运算，广泛应用于信号处理、图像处理和深度学习中。它的核心思想是通过卷积核（filter）在输入数据上滑动，提取局部区域的特征。在卷积神经网络（CNN）中，卷积用于从输入数据（如图像）中提取空间特征。具体来说，卷积核与输入数据通过点积操作得到一个输出特征图（Feature Map）。

（一）卷积的操作过程

以二维图像卷积为例：

输入数据：通常是一个输入矩阵（比如，6×6的数字矩阵），表示图像的像素值（如灰度图的二维矩阵或RGB图像的三维矩阵）。为了保持输出特征图的尺寸与输入图像的尺寸相同，通常会在输入图像的边缘填充一些像素（常见的填充方式有“零填充”）

13	1	6	5	20	14
0	6	31	4	31	20
21	2	9	12	7	26
0	16	6	8	8	3
1	2	4	0	1	5
5	26	27	19	8	0

卷积核（Filter）：可以理解为一个较小的矩阵（比输入矩阵小）窗口，包含需要学习的参数，常见尺寸为 3×3、5×5 等。每一个卷积核（Filter）都不一样，都含有特定的参数。在其他文章上看到，卷积核（Filter）又叫滤波器。

w11	w12	w13
w21	w22	w23
w31	w32	w33

点积计算：将卷积核与输入数据对应位置的元素逐个相乘，然后求和，得到一个标量。
滑动窗口：卷积核以设定的步幅（假若Stride=2）在输入矩阵上逐点滑动。

输出特征图：每次点积结果组成的矩阵，表示提取到的特征。

输入矩阵通过一个卷积核（Filter）的滑动计算点积，输出一张特征图的过程，实际上达到了一种降维的效果。假如得到了特征图：

54	78	44
48	56	66
90	39	50
38	63	40

其中，该特征图的每一个元素（比如54）都是窗口在不同位置时通过点积计算得到的。

公式

二维卷积的数学表示为：

$y(i, j) = \sum_m \sum_n x(i+m, j+n) \cdot w(m, n)$

其中：

x(i,j)：输入矩阵的像素值。
w(m,n)：卷积核的权重。
y(i,j)：输出特征图的值。

具体例子：

我们对每个对应位置进行相乘并求和：

S=(1×−1)+(2×0)+(3×1)+(4×−2)+(5×0)+(6×2)+(7×−1)+(8×0)+(9×1)=8

我们得到的特征图就是通过窗口滑动计算出来的多个 S 组成的矩阵。

步幅（Stride）不同，特征图尺寸就不同，往往特征图都比输入矩阵的尺寸小。

（二）卷积的特点

局部感受野（Receptive Field）：卷积核只在局部范围内进行运算，能够捕捉输入数据的局部特征（如图像的边缘、纹理）。
参数共享：卷积核的参数在输入数据的整个区域上共享，从而大幅减少了模型的参数量。
稀疏连接：每次卷积操作只涉及输入数据的局部区域，而不是全连接方式的所有像素。

（三）卷积的作用

特征提取：通过卷积核可以提取输入数据的低级特征（如边缘、纹理）和高级特征（如形状、模式）。
降维：通过步幅，减少数据维度，降低计算复杂度。
增加数据的表达能力：每一层卷积提取不同层次的特征，逐步构建对数据的抽象表示。

（四）直观理解

假设我们有一个 3×3 的卷积核和一个 5×5 的输入图像：

将卷积核放在图像的左上角，与对应的 3×3 图像区域逐元素相乘并求和。
计算得到的值填入输出特征图的第一个位置。
移动卷积核，重复上述操作，直到覆盖整个输入图像。

什么是“池化”

池化（Pooling），又称为下采样（Down-sampling），目的是对特征图进行降维，减少数据的大小，同时保留关键信息。通过池化操作，模型可以增强特征的平移不变性，并降低计算复杂度。

（一）池化的核心思想

池化层从输入特征图中分块（窗口）操作，提取每个块的代表值（如最大值或平均值），形成新的、缩小的特征图。

（二）常见的池化方式

1、最大池化（Max Pooling）

提取池化窗口内的最大值。
作用：突出最显著的特征，适合捕捉边缘等局部强特征。

2、平均池化（Average Pooling）

计算池化窗口内所有值的平均值。
作用：保留特征整体的平均信息，减少噪声。
示例与上述类似，但每个窗口的值取平均值。

3、全局池化（Global Pooling）

直接对整个特征图进行全局操作，输出一个单一值（如全局最大值或全局平均值）。
应用：常用于替代全连接层，将二维特征图压缩为一维向量。

（三）池化的参数

1、池化窗口（Kernel Size）

池化操作的窗口大小，通常为 2×2 或 3×3。

2、步幅（Stride）

窗口在特征图上滑动的距离，步幅越大，输出特征图越小。

3、填充（Padding）

是否在特征图边缘填充值以适应池化操作（池化一般不需要填充）。

（四）池化的作用

1、降维：减少特征图的大小，从而降低计算复杂度和内存消耗。

2、提取主特征：通过聚合局部区域的信息，保留最重要的特征，忽略细节。

3、增强模型的鲁棒性：提升特征的平移不变性，即小范围的图像移动对池化结果影响较小。

（五）卷积和池化的对比

池化	卷积
无需学习参数	需要通过训练学习参数
固定操作（如最大值、平均值）	可自定义卷积核操作
降维和增强特征鲁棒性	提取图像的复杂特征

CNN主要步骤

1. 输入层

输入数据： CNN 的输入通常是具有一定结构的数据，例如图像（二维或三维张量），由宽度、高度、通道数（RGB图像的三个通道）组成。

预处理：

标准化（Normalization）：将像素值缩放到[0, 1] 或 [-1, 1]。
数据增强（Data Augmentation）：通过旋转、缩放、裁剪等方式扩展训练数据。
批次加载（Batching）：将数据分成小批次以加速训练。

2. 卷积层（Convolutional Layer）

核心功能：提取局部特征。

操作流程：

滤波器操作：
- 使用多个小的卷积核（例如 3x3 或 5x5）在输入数据上滑动（通过步幅和填充确定滑动方式）。
- 卷积核与局部区域进行点积操作，提取特征。
输出特征图（Feature Map）：滑动完成后，生成的特征映射代表不同滤波器提取的特征。

超参数：

滤波器大小：决定卷积核的覆盖范围。
步幅（Stride）：决定滑动步长，影响输出大小。
填充（Padding）：决定是否在边缘补零，影响特征图尺寸。

3. 激活函数（Activation Function）

核心功能：引入非线性，使模型能够表示复杂特征。

激活函数作用于卷积后的特征图，生成激活后的特征图。

4. 池化层（Pooling Layer）

核心功能：下采样特征图，降低特征图尺寸，减少计算量和参数量。

滑动方式也由步幅和池化大小决定。

结果：降低特征图分辨率的同时保留关键信息。

5、展平

将池化后的多维特征图展平成一维向量，作为全连接层的输入。

6、全连接层

MLP多层感知机详细过程看前一篇文章。

7、输出层

总结：输入层 → 卷积层 + 激活 → 池化层 → 卷积层 + 激活 → 池化层 → 展平 → 全连接层 → 输出层

卷积层数和池化层数根据具体情况而定。

CNN优缺点

优点

特征提取能力强：CNN通过卷积层自动提取图像的空间特征（如边缘、纹理、形状等），避免了手工设计特征的复杂性。层次化的结构能提取从低级特征（如边缘）到高级特征（如物体）的一系列特征。

参数共享：卷积核在图像上共享权重，显著减少了参数数量，与全连接网络相比更加高效。

局部连接：卷积操作利用图像的局部相关性，将计算集中在局部区域，提升模型的训练效率和性能。

对图像变换的鲁棒性：CNN对平移、缩放、旋转等变换具有较强的鲁棒性，尤其是通过数据增强和池化操作可以进一步提高这一特性。

广泛的应用领域：CNN不仅适用于图像处理，还可扩展到语音识别、文本处理、医学影像分析等领域。

缺点

对数据依赖较大：CNN需要大量标注数据进行训练，而高质量的大规模数据集通常很难获取。

计算成本高：卷积操作和反向传播的计算复杂度较高，训练CNN需要高性能的硬件（如GPU）。

解释性差：CNN是一个“黑箱模型”，其内部特征和决策过程较难直观解释，尤其是对于深层网络。

对图像位置和背景敏感“尽管有一定的鲁棒性，但CNN仍可能受到背景噪声或目标位置变化的影响。

超参数调整复杂：CNN模型设计需要设置多种超参数（如卷积核大小、层数、池化方式等），寻找最佳配置通常需要大量实验。

容易过拟合：CNN网络结构复杂，参数多，如果训练数据不足或数据分布不均匀，模型容易过拟合。

CNN以其强大的表现力和广泛的适用性在深度学习中占据了重要地位，但针对其缺点的优化也仍是研究热点。

# 若对大噶有帮助的话，希望点个赞支持一下叭！

# 文章若有错误，欢迎大家不吝赐教！