卷积神经网络

cnn

卷积网络概述

传统的机器学习大多数都需要我们手工去建立feature，这种方法建立出来的feature，大多都是有物理意义的，所以算法最终好不好，就看你特征工程做的怎么样！

现在换到图像识别场景，我们要解决的一个问题就是怎么去从图像中提取特征？这个问题困扰了人们好久，直到卷积神经网络出现，实现了让机器自己去提取图像特征，不在需要人工去定义了。

那如果我们如果直接用DNN来做，会有什么问题呢？看下的例子：

我们对于一个32*32*3的rgb图片，需要3w多的参数，随着图片大小的增加。带来的问题就是参数爆炸。那怎么办呢？一个想发就是参数共享。

参数共享的意思就是我们不在是一个神经元和所有的输入连接，而是只是一次只看一部分输入，具体看下图：


我们通过一个卷积核，只看这个卷积核里面的图像内容，有效的减少了参数的数量，下面我们再来一个例子，方便我们更深入的了解下卷积核的思想：

通过卷积核来做参数共享，有效的减少了神经网络的参数数量。

卷积核图形解释

以下内容来自 CNNs from different viewpoints
我们先有下面的图像，卷积核，输出3个矩阵：

具体输出中每个值是通过下面的运算得到：

具体的等式计算：

我们再以神经元连接的视角来看：

如果是全连接的话：

从上面两个图就能看出卷积核只和部门输入连接，而且连接参数还共享。极大的减少了网络的参数个数。

总结

本文是对卷积核的一个简单解释，但是这能帮助我们理解卷积网络到底是怎么工作的。

这是 深度学习系列 的第二篇，你的鼓励是我继续写下去的动力，期待我们共同进步。