2、卷积神经网络概念

学习目标：了解卷积神经网络概念和相关操做；

1、全链接神经网络

定义：每一个神经元与先后相邻层的每个神经元都有链接，输入：特征，输出：预测的结果。

参数个数：w+b = ∑ （前层 × 后层 + 后层）

注意：待优化的参数过多， 容易致使模型过拟合。 在实际应用中，会先对原始图像进行特征提取，把提取到的特征喂给全链接
网络，再让全链接网络计算出分类评估值。
2、卷积 Convolutional
2.1 定义

卷积是一种有效提取图片特征的方法。 通常用一个正方形卷积核，遍历图片上的每个像素点。图片与卷积核重合区域内相对应的每个像素值乘卷积核
内相对应点的权重，而后求和， 再加上偏置后，最后获得输出图片中的一个像素值。

 例如，5x5x1 的灰度图片(1 表示单通道， 5x5 表示分辨率，共有 5 行 5列个灰度值)。 若用一个 3x3x1 的卷积核对此 5x5x1 的灰度图片进行卷积， 偏置项b=1
当前位置计算一个卷积值：(-1)x1+0x0+1x2+(-1)x5+0x4+1x2+(-1)x3+0x4+1x5+1=1

输出图片边长=（输入图片边长–卷积核长+1） /步长，此图为：（5 – 3 + 1)/ 1 = 3， 输出图片是 3x3 的分辨率， 用了 1 个卷积核， 输出深度是 1，最后输出的是3x3x1 的图片。

2.2 全零填充 Padding

在输入图片周围进行全零填充，能够保证输出图片的尺寸和输入图片一致 。例如：在 5x5x1 的图片周围进行全零填充， 可以使输出图片仍保持 5x5x1 的
维度。 这个全零填充的过程叫作 padding。

使用 padding 的输出图片边长 = 输入图片边长/步长; 

标记：若是用全零填充， 也就是 padding=SAME。 若是不用全零填充， 也就是 padding=VALID。
3、函数操做

tf.nn.conv2d是TensorFlow里面实现卷积的函数，实际上这是搭建卷积神经网络比较核心的一个方法.

函数原型：

　　　　tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

函数说明：

　　　　

其中，

（1）batch 表示一次喂入多少张图片；分辨率：5行5列；灰度图为单通道,参数写 1，RGB 三个颜色组成的彩色图为3通道，参写3；

（2）注意： 卷积核的通道数是由输入图片的通道数决定的,卷积核的通道数等于输入图片的通道数,因此卷积核的通道数也是 1。一共有 16 个这样的卷积核,说明卷积操做后输出图片的深度是 16,也就是输出为16 通道，输出16张3*3的feature map。

（3）核滑动步长：第一个 1 和最后一个 1 这里是固定的，这句表示横向纵向都以 1 为步长。最后一个参数表示是否使用 padding。

RGB 三个颜色组成的彩色图：

卷积核的深度应该等于输入图片的通道数,因此使用 3x3x3的卷积核,最后一个 3 表示匹配输入图像的 3 个通道。

卷积计算方法：和单层卷积核类似,卷积核为了匹配红绿蓝三个颜色,把三层的卷积核套在三层的彩色图片上,重合的 27 个像素进行对应点的乘加运算,最后的结果再加上偏置项 b,求得输出图片中的一个值。

tf.nn.conv2d函数：

4、池化

3.1 最大池化

　 卷积核在输入图片重合部分取最大值，Tensorflow最大池化用 tf.nn.max_pool 函数；这里结果就被压缩为原来的1/4。

函数描述：

3.2 平均池化

　　卷积核在输入图片重合部分取平均值，平均池化用 tf.nn.avg_pool 函数。　

四、舍弃 Dropout

        在神经网络训练过程当中,为了减小过多参数常使用 dropout 的方法,将一部分神经元按照必定几率从神经网络中舍弃。这种舍弃是临时性的,仅在训练时舍弃一些神经元;在使用神经网络时,会把全部的神经元恢复到神经网络中。好比上面这张图,在训练时一些神经元不参加神经网络计算了。Dropout 能够有效减小过拟合，加快模型的训练速度。

dropout 一 般 会 放 到 全 连 接 网 络 中 。 如 果在 训 练 参 数 的 过 程 中 , 输 出=tf.nn.dropout(上层输出,暂时舍弃神经元的几率),这样就有指定几率的神经元被随机置零,置零的神经元不参加当前轮的参数优化。

总结：

卷积神经网络能够认为由两部分组成：（1）对输入图片进行特征提取；（2）就是全链接网络。只不过喂入全链接网络的再也不是原始图片,而是通过若干次卷积、激活和池化后的特征信息。