1.为什么要学CNN
在传统神经网络中，我们要识别下图红色框中的图像时，我们很可能识别不出来，因为这六张图的位置都不通，计算机无法分辨出他们其实是一种形状或物体。
这是传统的神经网络图，通过权重调整神经元和神经元之间的关系达到处理信息的目的
另外，传统的神经网络在处理图像上有一些屏障：
**1.对于处理大图像和彩色图片有障碍：**目前用于计算机视觉问题的图像通常为224x224甚至更大，而如果处理彩色图片则又需加入3个颜色通道（RGB），即224x224x3。
如果构建一个BP神经网络，其要处理的像素点就有224x224x3=150528个，也就是需要处理150528个输入权重，而如果这个网络的隐藏层有1024个节点（这种网络中的典型隐藏层可能有1024个节点），那么，仅第一层隐含层我们就必须训练150528x1024=15亿个权重。这几乎是不可能完成训练的，更别说还有更大的图片了。
2.位置可变： 如果你训练了一个网络来检测狗，那么无论图像出现在哪张照片中，你都希望它能够检测到狗。
如果构建一个BP神经网络，则需要把输入的图片**“展平”（即把这个数组变成一列，然后输入神经网络进行训练）。但这破坏了图片的空间信息**。想象一下，训练一个在某个狗图像上运行良好的网络，然后为它提供相同图像的略微移位版本，此时的网络可能就会有完全不同的反应。
并且，有相关研究表明，人类大脑在理解图片信息的过程中，并不是同时观察整个图片，而是更倾向于观察部分特征，然后根据特征匹配、组合，最后得出整图信息。CNN用类似视觉的方式保留了图像的特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。
换句话说，在传统的ANN重，在BP全连接神经网络中，隐含层每一个神经元，都对输入图片 每个像素点 做出反应。这种机制包含了太多冗余连接。为了减少这些冗余，只需要每个隐含神经元，对图片的一小部分区域，做出反应就好了。而卷积神经网络，正是基于这种想法而实现的。
2.CNN卷积神经网络的特点
CNN是一种带有卷积结构的前馈神经网络，卷积结构可以减少深层网络占用的内存量，其中三个关键操作——局部感受野、权值共享、池化层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。
卷积层和池化层一般会取若干个，采用卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推。由于卷积层中输出特征图的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值，该过程等同于卷积过程，CNN也由此而得名。
与ANN（Artificial Neural Networks，人工神经网络）的区别：上一节所学习的MLP、BP，就是ANN。ANN通过调整内部神经元与神经元之间的权重关系，从而达到处理信息的目的。而在CNN中，其全连接层就是就是MLP，只不过在前面加入了卷积层和池化层。
3.CNN的主要结构
CNN主要包括以下结构：
**1、输入层(Input layer)：**输入数据；
**2、卷积层(Convolution layer，CONV)：**使用卷积核进行特征提取和特征映射；
**3、激活层：**非线性映射（ReLU)
**4、池化层(Pooling layer，POOL)：**进行下采样降维；
**5、光栅化(Rasterization)：**展开像素，与全连接层全连接，某些情况下这一层可以省去；
**6、全连接层(Affine layer / Fully Connected layer，FC)：**在尾部进行拟合，减少特征信息的损失；
**7、激活层：**非线性映射（ReLU)
**8、输出层(Output layer)：**输出结果。
其中，卷积层、激活层和池化层可叠加重复使用，这是CNN的核心结构。
在经过数次卷积和池化之后，最后会先将多维的数据进行“扁平化”，也就是把(height,width,channel)的数据压缩成长度为height × width × channel的一维数组，然后再与FC层连接，这之后就跟普通的神经网络无异了。（简而言之就是经过数次卷积操作和池化操作后，将我们的数据压缩为一维数组扁平化，后续操作和ANN差不多了）
3.1卷积层
在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口，如下图绿色矩形）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。这一操作是卷积神经网络名字的来源。
卷积层由一组滤波器组成，滤波器为三维结构，其深度由输入数据的深度决定，一个滤波器可以看作由多个卷积核堆叠形成。这些滤波器在输入数据上滑动做卷积运算，从输入数据中提取特征。在训练时，滤波器上的权重使用随机值进行初始化，并根据训练集进行学习，逐步优化。
3.1.1卷积运算和卷积核（Kernel）
可以把卷积核理解为权重。每一个卷积核都可以当做一个**“特征提取算子”，把一个算子在原图上不断滑动，得出的滤波结果就被叫做“特征图”（Feature Map）**，这些算子被称为“卷积核”(Convolution Kernel)。我们不必人工设计这些算子，而是使用随机初始化，来得到很多卷积核，然后通过反向传播优化这些卷积核，以期望得到更好的识别结果。
3.2填充/填白(Padding)
在进行卷积层的处理之前，有时要向输入数据的周围填入固定的数据（比如0等），使用填充的目的是调整输出的尺寸，使输出维度和输入维度一致；确保卷积核能够覆盖输入图像的边缘区域，同时保持输出特征图的大小。这对于在CNN中保留空间信息和有效处理图像边缘信息非常重要。
如果不调整尺寸，经过很多层卷积之后，输出尺寸会变的很小。所以，为了减少卷积操作导致的，边缘信息丢失，我们就需要进行填充（Padding）。目的就是：总长能被步长整除。
3.3在CNN中，卷积操作主要涉及以下几个步骤：
1.数据窗口和卷积核相乘：
首先，将一个称为卷积核（也称为滤波器）的小矩阵应用于输入数据的局部区域（数据窗口）。
对于每个数据窗口，将卷积核中的每个元素与对应的数据窗口中的元素相乘，然后将这些乘积相加，得到卷积结果的一个值。
2.步幅（Stride）和填充（Padding）：
步幅定义了在应用卷积核时移动的步长，即每次移动的像素数。
填充是在输入数据周围添加额外像素值，以便在边缘处也能进行有效的卷积操作。
3.多个卷积核：
CNN通常会使用多个卷积核，每个卷积核可以捕获不同的特征，例如边缘、纹理等。
每个卷积核与输入数据进行卷积操作，生成对应的特征图（Feature Map）。
3.2 池化层（Pooling layer）
池化层通常出现在卷积层之后，二者相互交替出现，并且每个卷积层都与一个池化层一一对应。
1.作用： 用于缩小我们的尺寸和模型规模，提高运算速度，同时提高提取特征的鲁棒性（抗干扰能力），简单来说，就是为了提取一定区域的主要特征，并减少参数数量，减少了特征图的空间维度，有助于减少计算量并控制过拟合。，防止模型过拟合。
2.常见用法： 平均池化（Average Pooling / Mean Pooling）、最大池化（Max Pooling）、最小池化（Min Pooling）和随机池化（Stochastic Pooling）等，其中3种池化方式展示如下：
三种池化方式各有优缺点，均值池化是对所有特征点求平均值，而最大值池化是对特征点的求最大值。而随机池化则介于两者之间，通过对像素点按数值大小赋予概率，再按照概率进行亚采样，在平均意义上，与均值采样近似，在局部意义上，则服从最大值采样的准则。
根据Boureau理论2可以得出结论，在进行特征提取的过程中，均值池化可以减少邻域大小受限造成的估计值方差，但更多保留的是图像背景信息；而最大值池化能减少卷积层参数误差造成估计均值误差的偏移，能更多的保留纹理信息。随机池化虽然可以保留均值池化的信息，但是随机概率值确是人为添加的，随机概率的设置对结果影响较大，不可估计。
3.池化层的特征：
1、没有要学习的参数，这和池化层不同。池化只是从目标区域中取最大值或者平均值，所以没有必要有学习的参数。
2、通道数不发生改变，即不改变Feature Map的数量。
3、它是利用图像局部相关性的原理，对图像进行子抽样，这样对微小的位置变化具有鲁棒性——输入数据发生微小偏差时，池化仍会返回相同的结果。
3.3 全连接层
https://blog.csdn.net/weixin_57128596/article/details/138859784?spm=1001.2014.3001.5502
3.3.1步骤
1.稠密层
2.ReLU激活函数
作用：进行非线性增强网络的学习能力，加强特征
3.输出层（softmax函数激活）
通过softmax函数将输入进行归一化，转为概率分布（到底是属于哪一类）
4.例子
1、输入数据：
假设我们有一张大小为 28x28 像素的灰度图像作为输入数据。每个像素值表示像素的强度，范围从 0（黑色）到 255（白色）。
2、卷积层：
**滤波器/卷积核：**我们定义了几个滤波器（也称为卷积核），用于在输入图像上滑动。每个滤波器检测特定的特征，例如边缘或纹理。
**卷积操作：**对于每个滤波器，我们执行卷积操作，通过在输入图像上滑动滤波器，在每个位置计算滤波器与重叠区域的点积。
**激活函数：**在卷积操作之后，我们应用激活函数如 ReLU（修正线性单元），引入非线性并增强网络的学习能力。
卷积输出：卷积层的输出是一组特征图。每个特征图突出显示了由滤波器学习到的不同特征。
3、池化层：
池化操作：在池化层中，我们对每个特征图执行池化操作（通常是最大池化或平均池化）。池化减少了特征图的空间维度，有助于减少计算量并控制过拟合。
**池化大小：**通常，我们使用一个 2x2 像素的池化窗口，步长为 2，这意味着我们在每个 2x2 窗口内取最大或平均值，并每次移动窗口 2 个像素。
**池化输出：**池化层的输出是一组降采样的特征图，具有减小的空间维度。
4、展平：
在卷积和池化层之后，我们将前一层的输出展平为一个 1 维向量。这个展平步骤准备数据供全连接层使用。
5、全连接层：
**稠密层：**展平的向量输入一个或多个全连接（稠密）层。这些层中的每个神经元都与前一层中的每个神经元相连，允许网络学习复杂的模式。
**激活函数：**类似于卷积层，我们对每个稠密层的输出应用激活函数如 ReLU，非线性增强网络学习能力，保留主要信息特征。
**输出层：**最终的稠密层通常具有与分类任务中类别数相同的神经元数量（例如，在 MNIST 中有 10 个神经元用于数字识别）。
Softmax 激活：对于分类任务，我们通常在输出层使用 softmax 激活函数，将原始分数转换为概率。每个神经元的输出表示输入属于特定类别的概率。
