9. 卷积神经⽹络-CNN 的基本原理

典型的 CNN 由3个部分构成：

如果简单来描述的话：卷积层负责提取图像中的局部特征；池化层⽤来⼤幅降低参数量级(降维)；全连接层类似传统神经⽹络的部分，⽤来输出想要的结果。

卷积层的运算过程如下图，⽤⼀个卷积核扫完整张图⽚：

这个过程我们可以理解为我们使⽤⼀个过滤器（卷积核）来过滤图像的各个⼩区域，从⽽得到这些⼩区域的特征值。

在具体应⽤中，往往有多个卷积核，可以认为，每个卷积核代表了⼀种图像模式，如果某个图像块与此卷积核卷积出的值⼤，则认为此图像块⼗分接近于此卷积核。如果我们设计了6个卷积核，可以理解：我们认为这个图像上有6种底层纹理模式，也就是我们⽤6中基础模式就能描绘出⼀副图像。以下就是25种不同的卷积核的示例：

总结：卷积层的通过卷积核的过滤提取出图⽚中局部的特征，跟上⾯提到的⼈类视觉的特征提取类似。

池化层简单说就是下采样，他可以⼤⼤降低数据的维度。其过程如下：

上图中，我们可以看到，原始图⽚是20×20的，我们对其进⾏下采样，采样窗⼝为10×10，最终将其下采样成为⼀个2×2⼤⼩的特征图。

之所以这么做的原因，是因为即使做完了卷积，图像仍然很⼤（因为卷积核⽐较⼩），所以为了降低数据维度，就进⾏下采样。

总结：池化层相⽐卷积层可以更有效的降低数据维度，这么做不但可以⼤⼤减少运算量，还可以有效的避免过拟合。

这个部分就是最后⼀步了，经过卷积层和池化层处理过的数据输⼊到全连接层，得到最终想要的结果。

经过卷积层和池化层降维过的数据，全连接层才能”跑得动”，不然数据量太⼤，计算成本⾼，效率低下。

典型的 CNN 并⾮只是上⾯提到的3层结构，⽽是多层结构，例如 LeNet-5 的结构就如下图所示：

卷积层 – 池化层- 卷积层 – 池化层 – 卷积层 – 全连接层

在了解了 CNN 的基本原理后，我们重点说⼀下 CNN 的实际应⽤有哪些。