一、卷積神經(jīng)網(wǎng)絡(luò)

1.定義

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）是一種專門用于處理具有網(wǎng)格狀拓撲結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)模型，特別適用于圖像和視頻處理。CNN 通過局部連接和權(quán)重共享機制，有效地減少了參數(shù)數(shù)量，增強了模型的泛化能力。

2.特點

（1）局部卷積：可以捕捉到圖像中的局部特征而不受其位置的影響；

（2）參數(shù)共享；

（3）多卷積核（每個卷積核都會對輸入圖像進行卷積處理，生成另一幅圖像）；

（4）池化操作：降采樣處理（down-pooling），是對不同位置的特征進行聚合統(tǒng)計。通常是取對應(yīng)位置的最大值（最大池化）、平均值（平均池化）等；

?池化的優(yōu)點：1)降維；2)克服過擬合；3)在圖像識別領(lǐng)域，池化還能提供平移和旋轉(zhuǎn)不變性。?

（5）多層處理：一般而言，在圖像處理中，一層卷積及降采樣往往只學(xué)到了局部的特征。層數(shù)越多，學(xué)到的特征越全局化。

3.卷積過程

卷積操作就是用一個可移動的小窗口來提取圖像中的特征，這個小窗口包含了一組特定的權(quán)重，通過與圖像的不同位置進行卷積操作，網(wǎng)絡(luò)能夠?qū)W習(xí)并捕捉到不同特征的信息。

這張圖中藍色的框就是指一個數(shù)據(jù)窗口，紅色框為卷積核（濾波器），最后得到的綠色方形就是卷積的結(jié)果（數(shù)據(jù)窗口中的數(shù)據(jù)與卷積核逐個元素相乘再求和）

卷積需要注意哪些問題？
a.步長stride：每次滑動的位置步長。

b. 卷積核的個數(shù)：決定輸出的depth厚度。同時代表卷積核的個數(shù)。

c. 填充值zero-padding：（0的圈數(shù)）在外圍邊緣補充若干圈0，方便從初始位置以步長為單位可以剛好滑倒末尾位置，通俗地講就是為了總長能被步長整除。數(shù)據(jù)填充的主要目的是確保卷積核能夠覆蓋輸入圖像的邊緣區(qū)域，同時保持輸出特征圖的大小。

以上圖為例，那么：

??數(shù)據(jù)窗口每次移動兩個步長取?3*3?的局部數(shù)據(jù)，即?stride=2?。

??兩個神經(jīng)元，即?depth=2?，意味著有兩個濾波器。

??zero-padding=1?。

參考自：【深度學(xué)習(xí)】一文搞懂卷積神經(jīng)網(wǎng)絡(luò)（CNN）的原理（超詳細）_卷積神經(jīng)網(wǎng)絡(luò)原理-CSDN博客

二、CNN經(jīng)典模型之LeNet-5模型分析

?

?

?