从0开始的深度学习——搭建一个卷积神经网络_卷积神经网络搭建

为什么需要卷积神经网络？

当我们要处理的网络的特征值过多时，按照传统方法(搭建全连接层)搭建神经网络将会耗费大量空间：

像这样的仅仅是搭建一层网络就会耗费$N\ast M$个空间。
而当我们要处理一张512*512的三通道照片时，搭建网络所消耗的空间将非常巨大，于此同时所带来的时间消耗也会很大。
于是，为了解决这样一类问题，我们就往神经网络中引入了卷积的概念。
所以，顾名思义，卷积神经网络就是：卷积+神经网络

卷积的作用

一句话简单地说，卷积的作用就是提取精炼原来数据的特征。

卷积神经网络的一般结构：

1. C:Convolutin(卷积)
2. B:BN(批标准化)
3. A:Activation(激活)
4. P:Pooling(池化)
5. D:Dropout(丢弃)
   一般情况下，我们要建立一个卷积神经网络，只需要建立好这5个网络层，最后再连接上一个全连接的输出层即可。
   下面，我将分步介绍这5层网络（基于tensorflow）：

卷积层：

介绍卷积层之前，先介绍几个概念：
卷积核：就是卷积的大小，一般为正方形或立方体。

这个图片中间的就是一个3x3的卷积核
滑动步长：即卷积核一次性移动的长度
全零填充：是否需要在原矩阵旁加一圈0
在tensorflow中有帮我们搭建好建立卷积网络的函数：

tf.keras.layers.Conv2D(
    filter = 卷积核个数
    kernel_size = 卷积核尺寸（若为正方形可以只写边长）
    strides = 滑动步长（默认为1，纵向横向相等可以就写一个，否则为纵向+横向）
    padding = "same" or "valid" 是否使用全0天才（默认为否）
    activation = "relu"or"sigmod"or"tanh"使用的激活函数
    #若存在BN层可不写
)
1
2
3
4
5
6
7
8

当然，在正式建立的时候这些参数前面的英文是可以忽略的
举个例子：

model = tf.keras.models.Sequential([
    Conv2D(3,5,padding='vaild',activation='relu')
    #建立一个由三个卷积核构成，卷积核尺寸为5x5，步长为1，不使用全0填充，激活函数为'relu'的卷积层神经网络
    conv2D(filters=6,kernel_size=(5,4),strides=2,padding='same',activation='sigmod')
    #建立一个由6个卷积核构成，卷积核尺寸为5x4，步长为2，使用全0填充，激活函数为'sigmod'的卷积神经网络
])
1
2
3
4
5
6

BN层：

BN层叫做批标准化层。
标准化：使数据符合0均值，1为标准差的分布
批标准化：对一小批数据做标准化处理
为什么要进行标准化：神经网络对以0为均值，1为标准差的数据的识别度高，拟合效果好，所以我们都希望喂入神经网络的数据符合这一标准，故运用了标准化这一步骤。
需要注意的是：BN层位于卷积层之后，激活层之前，所以当你要运用BN层时，需要将卷积层和激活层分开写。
用tensorflow描述标准化：

model = tf.keras.models.Sequential([
    Conv2D=(filters=5,kernel_size=(4,4),padding='same')
    BatchNormalization(),#BN层
    Activation('relu')#激活层
    #...
])
1
2
3
4
5
6

激活层

如上：

Activation('激活函数名')
1

池化层

什么是池化层：池化层用于减少特征数据量：

用tensorflow描述池化：

#按最大值优化：
tf.keras.layers.Maxpool2D(
    pool_size=池化核尺寸,
    strides=池化步长,
    padding='vaild'or'same'是否使用全0填充,
)
#按平均值池化：
tf.keras.layers.AveragePooling2D(
    pool_size=池化核尺寸,
    strides=池化步长,
    padding='vaild'or'same'是否使用全0填充,
)
1
2
3
4
5
6
7
8
9
10
11
12

舍弃层：

为了防止过拟合，神经网络在训练时，将一部分神经元按照概率从神经网络中暂时舍弃，实现这一层的网络叫做舍弃层。
用tensorflow实现舍弃层：

Droupout(舍弃概率)
1

搭建一个卷积神经网络：

model = tf.keras.models.Sequential([
    #CBAPD
    Conv2D(filter=6,kernel_size=(5,5),strides=2,padding='same'),#卷积层
    BatchNormalization(),#BN层
    Activation('relu'),#激活层
    MaxPool2D(pool_size=(2,2),strides=1,padding='same'),#池化层
    Dropout(0.2),#舍弃层
])
1
2
3
4
5
6
7
8

之后的配置学习方法之类的如正常神经网络一致即可