卷积神经网络（Convolutional Neural Networks）
一、计算机视觉（Computer Vision）
计算机视觉处理的输入都是图片。当图片尺寸比较小时，可以采用深度神经网络的结构来解决问题。但在现实中我们需要处理的图片尺寸通常比较大，如：500万像素、800万像素。这时输入数据将变得很大，使用神经网络结构将会有非常多的参数需要去学习，不仅很难训练，而且数据集不够大时很容易出现过拟合的问题。
例如：输入为1000x1000的RGB图片即3百万（million）个特征，设第一层隐藏层有1000个unit，这时第一层需要学习的参数有30亿个，明显不合理。而卷积神经网络就能很好的解决这一问题。
二、边缘检测（Edge Detection ）
二维卷积：
知乎上有一篇关于 理解卷积 的文章，可以参考一下。
一个大矩阵–图像，一个小矩阵–滤波器（filter）/ 卷积核（kenel）。滤波器在图像上有规律的滑动，滤波器的每个元素与对于的图像区域的每个元素进行相乘然后相加，即得到图像上该区域中心坐标点的值，最终得到一个新的矩阵。
node:
- filer的尺寸一般为奇数，方便得到中心点。一般选：1x1, 3x3, 5x5
- 在数学上的卷积要把滤波器同时水平垂直旋转后再进行计算，图像卷积更准确的名称是互相关（cross-correlation），但是惯例上我们把它叫做卷积。
边缘检测
边缘检测就是利用边缘检测的滤波器与图像进行卷积，得到包含边缘信息的矩阵。下图是两种竖直边缘检测滤波器和的计算原理，第一种是明到暗计算结果为正数，第二种是暗到明计算结果为负数。
竖直边缘检测滤波器旋转90°可得到水平边缘检测滤波器。
多种竖直边缘检测滤波器：sobel，scharr
这些滤波器的参数值都是人为设置的，不一定很好。而且如果想检测45°，30°的边缘参数值怎么设置呢？我们可以让神经网络来学习这些参数，其实这就是卷积神经网络最主要的思想。
三、填充（Padding）
Padding:
其实就是在原图像上向外填充像素，填充一层纵向和横向都增加两个像素。填充层数p，滤波器尺寸 fxf，图像尺寸 nxn。填充完图像的尺寸为 (n+2p)×(n+2p)。卷积运算后的尺寸为 (n+2p−f+1)×(n+2p−f+1) 。
Padding的作用：
因为每次卷积操作，图片的尺寸都会缩小，这样角落和边缘位置的像素进行卷积运算的次数少，可能会丢失有用信息。添加padding可以一定程度上减小这种缺点。
两种padding：Valid / Same
Valid：p=0，即没有padding。n×n的矩阵得到 (n−f+1)×(n−f+1) 的矩阵
Same：p=(f−1) / 2，即输入与输出矩阵的大小相同。卷积计算时，因为filter一般为奇数，所以p的值也为奇数。
四、跨步的卷积（Strided Convolutions）
步长（Stride）： filter在图像上向右向下移动的步长，即一次移动几个像素。
计算公式：因为有可能会越界，所以要向下取整。
五、立体/三维卷积（Convolutions Over Volume）
立体卷积： 滤波器的通道（channel）和图像的通道一致，然后进行立体的卷积。得到通道为1的结果矩阵。
多个立体滤波器
如果同时想检测多种特征，可以用多个立体滤波器进行卷积，然后把结果堆叠起来。所以结果矩阵的通道数为立体滤波器的个数，而与单个滤波器的尺寸无关。
六、单层卷积网络（One Layer of a Convolutional Network）
一层的卷积网络：
每个立体filter只有一个bias参数。前向传播时对每个卷积结果进行线性运算，然后进行非线性激活。
本文使用的notations: 对于第l层
多层的CNN例子：
七、池化层（Pooling Layers）
最大池化（Max pooling）：
取每一个区域的最大值，只有超参数，没有参数。可以设置区域尺寸和步长。
以 f=2, p=2 为例：
平均池化（Average pooling）：
与最大池化层的区别在于，平均池化是取各区域的平均值。
池化层的超参数：
- f：filter的大小；
- s：stride大小；
- 选择最大池化还是平均池化，通常用最大池化；
- p：padding，正常不使用即p=0。
八、卷积神经网络例子
例子： Input >> Conv >> Pool >> Conv >> Pool >> FC >> FC >> FC >> softmax。FC（Fully Connected）： 全连接层
通常我们把一个卷积层和一个池化层看作是一层。因为只有卷积层包含网络参数。
CNN各层的尺寸和参数：
搭建CNN时，每层的激活值个数应该是均匀的下降，不能下降的太快或跳变。
总结，在卷积层仅有少量的参数。在池化层没有参数。在全连接层存在大量的参数。
九、卷积神经网络的理解
卷积神经网络如何减少参数：
卷积神经网络为什么能有效的减小参数的个数，从而防止过拟合。
- 参数共享：一个滤波器的参数，适用于图片中各个小区域。
- 稀疏连接：只需要图像中一小部分元素来计算结果矩阵中的各个元素值，
CNN还有平移不变的特性：即使图片有轻微的平移，滤波器还是能较好的检测出特征。
搭建卷积神经网络
数据集 >> 网络结构 >> 成本函数 >> 梯度下降
