数据挖掘入门系列教程（十一点五）之CNN网络介绍

在前面的两篇博客中，我们介绍了DNN（深度神经网络）并使用keras实现了一个简单的DNN。在这篇博客中将介绍CNN（卷积神经网络），然后在下一篇博客中将使用keras构建一个简单的CNN，对cifar10数据集进行分类预测。

CNN简介

我们可以想一个例子，假如我们现在需要对人进行识别分类，根据我们人类的思维，我们肯定是比较他的是不是一样的，是不是一样大小，是不是双（or 三）下巴。换句话来说，我们的判断标准是一个可视的范围。

CNN就是受到了人类视觉神经系统的启发，使用卷积核来代替人类中的视野，这样既能够降低计算量，又能够有效的保留图像的特征，同时对图片的处理更加的高效。我们可以想一想前面介绍的DNN网络，它是将一个一个的像素点进行计算的，毋庸置疑，这样必然会带来参数的膨胀，比如说cifar-10中一张32*32*3的图像，第一个隐藏层的中的单个神经元就有\(32 \times 32 \times 3 = 3072\)个权重，似乎挺小的，但是如果图片的像素再大一点，则参数会飞速猛增，同时参数增加的同时就会导致过拟合。

下图是我使用DNN网络去训练cifar-10得到的结果，可以明显的看到过拟合：

而CNN就是将DNN中复杂的问题简单化（实际上更复杂，但是参数简单化了）。这里借用Easyai的几张图和几段话：

在下面的场景中，有是1，否则就是0，的位置不同，产生的数据也就不同，但是从视觉的角度上面来说，两张图的内容是差不多的，只在于的位置的不同罢了。

而 CNN 解决了这个问题，他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。

下面是一张来自cs231n中一张识别汽车的图，使用的是CNN网络，里面包含了CNN网络的网络层：

在上图中的CNN网络中，网络层有一下类型：

CONV：卷积层，进行卷积计算然后求和。
Relu：激励层，激励函数为Relu
POOL：池化层
FC：全连接层

可以很明显的看到，CNN网络与DNN网络有相似，也有不同。在CNN网络中，使用了卷积层和池化层，最后才使用全连接层，而卷积层就是CNN的核心。但是在DNN网络中全部都是全连接层。

下面将对这几层进行介绍，其中参考了YouTube上How Convolutional Neural Networks work这个视频。该视频有条件的建议去看一看，讲的还是蛮形象生动的。

我们以识别一张照片是X还是O作为我们的识别目的：

我们如何识别一张新的图片是X还是O，肯定是拿该照片与已有的标准X和O照片进行对比，哪一个相似度高，则就认为新的照片是属于哪一个类别。对比对于人类来说很简单，但是，对于计算机来说，应该怎么对比呢？

计算机可以进行遍历图片的每一个像素点的像素值，然后与标准图片的像素值进行比较，但是毋庸置疑，这样肯定是不行的，比如说在下图中计算机就认为只有中间的是一样的，其它四个角都不同，因此可能会得出这张图片不是X这个结论。

但是我们肯定是希望不管在平移，旋转，还是变形的情况下，CNN模型都可以识别出来。

so，我们将比较范围由像素点扩大到某一个范围，在CNN模型中，会比较两张图片的的各个局部，这些局部称之为特征（features）。

每一个feature都是一张小图，也就是更小的二维矩阵。这些特征会捕捉图片中的共同要素。以X图片为例，它最重要的特征就是对角线和中间的交叉。也就是说，任何叉叉的线条或中心点应该都会符合这些特征。

那么如何判断一张图片中是否有相符合的特征，然后符合的特征有多少个，这里我们使用数学的方法卷积（convolution）进行操作，这个也就是CNN名字的由来。

卷积层(Convolution Layer)

下面我还是将以识别X作为例子来讲解一下如何进行进行卷积。卷积的目的是为了计算特征与图片局部的相符程度。

计算的步骤如下：

\[\frac{(1 \times 1) + (-1\times -1) + (-1\times -1) + (-1\times -1) + (1\times 1) + (-1\times -1)+ (-1\times -1) + (-1\times -1) + (1\times 1)}{9} = 1s \]

如果我们将这个\(3 \times 3\)的特征矩阵沿着该图片以stide = 1（也就是每次滑动一格），可以得到一个\(7 \times 7\)的矩阵，最终得到的结果如下图所示：

很容易理解，卷积之后的结果越接近1，则相当与对应位置与特征feature越接近。分别与三个特征进行卷积的结果如下所示，得到了feature map：

这里是一张来自cs231n的一张卷积示意图：

不过这里与上面不同的是，它并没有取平均值，同时加上了一个偏置\(b\)，同时最后的结果是三个的的卷积的和。并且加上了一个padding（也就是外面那一层灰色取0的地方）

设输入的为\(W_1 \times H_1 \times D_1\)，卷积核的大小是\(F \times F\)，卷积核的数量是\(K\)，padding的大小是\(P\)，stride步为\(S\)，输出的矩阵的大小是\(W_2 \times H_2 \times D_2\)，则：

\[W_{2}=\left(W_{1}-F+2 P\right) / S+1\\ H_{2}=\left(H_{1}-F+2 P\right) / S+1 \\ D_{2}=K \]

Relu激励层

整流线性单位函数（Rectified Linear Unit, ReLU）,又称修正线性单元, 是一种人工神经网络中常用的激励函数（activation function），通常指代以斜坡函数及其变种为代表的非线性函数。数学表达式为：

\[\begin{equation}f(x)=\max (0, x)\end{equation} \]

Relu激励层的工作流程如下所示：

将卷积层的输出通过激励层后的结果如下：

这一层还是蛮简单的，可能大家会发现，在深度神经网络中，sigmoid激活函数就很少使用了，这是因为sigmoid函数太小了，在多层神经网络下会出现”梯度消失“现象。

池化（Pooling）

池化层就更加的简单了，池化层可以大幅度的降低数据的维度。池化层多种，下面介绍两种简单常用的：

平均池化（average pooling）：计算图像区域的平均值作为该区域池化后的值。
最大池化（max pooling）：选图像区域的最大值作为该区域池化后的值。

那么池化是怎么操作的呢，下面是最大池化进行操作的示意图：

池化层也就是从一定的范围（也就是池化层的大小）中选出一个（或者计算出一个）值作为这个区域范围的代表。

对所有的feature map都进行池化，最后的结果如下：

因为最大池化（max-pooling）保留了每一个小块内的最大值，所以它相当于保留了这一块最佳的匹配结果（因为值越接近1表示匹配越好）。这也就意味着它不会具体关注窗口内到底是哪一个地方匹配了，而只关注是不是有某个地方匹配上了。这也就能够看出，CNN能够发现图像中是否具有某种特征，而不用在意到底在哪里具有这种特征。这也就能够帮助解决之前提到的计算机逐一像素匹配的死板做法。

设输入的为\(W_1 \times H_1 \times D_1\)，池化层的大小是\(F \times F\)，stride步为\(S\)，输出的矩阵的大小是\(W_2 \times H_2 \times D_2\)，则：

\[\begin{equation}\begin{aligned} &W_{2}=\left(W_{1}-F\right) / S+1\\ &H_{2}=\left(H_{1}-F\right) / S+1\\ &D_{2}=D_{1} \end{aligned}\end{equation} \]

结合卷积层、激励层、池化层

我们将前面所讲的卷积层，激励层，池化层进行结合，所得：

加大网络的层数就得到了深度神经网络：

全连接层(Fully connected layers)

通过前面得卷积，池化操作，我们成功得将数据进行了降维，得到降维后的数据后，我们在将其放入全连接层中，就可以得到最终得结果。

还是以上面识别X为例子：

我们称之这一层为全连接层。

当然全连接层也可以有多个：

综上，所有得结构我们可以表达为：

同时我们可以与CS231n的图片作比较，两者是一样的。

总结

这一篇博客主要是介绍了每一层的功能，以及每一层工作的原理，但是并没有对其数学公式继续宁推导，如果想更多的了解CNN的前向和反向传播算法，可以去参考这一篇博客。

在下一篇博客中，将介绍使用CNN对cifar-10（也可能是cifar-100）进行训练预测。

参考