前馈（向）网络之卷积神经网络_前馈神经网络输入层卷积

传统的神经网络：

多层感知器（DNN，MLP等），对图片这类数据可能不太适合！

 图片数据，比如：32*32*3，展开大概是4000维的向量，如果一层神经元是1024个那么进行全连接每层会有400W个参数

ps：参数过多主要是会导致过拟合的，而且网络学习很缓慢。

ps：一般是没有足够的样本量来去学习这么复杂的网络。

ps：基于参数的问题，于是引出了卷积神经网络（CNN）！

引出卷积神经网络

数据输入层/input  layer

   ：主要进行数据的预处理，数据标准化（图像数据乘1/255即可），PCA降维，图片加噪声。

卷积计算层/CONV layer

计算示例的标准格式：

      ：深度（depth）是神经元的个数，步长stride是滑窗滑动的格数（比如3*3的矩阵每次滑动1格），矩阵的padd填充                       值为0！公式：（8-3）/s+1。O=（I-K+2P）/S+1   p=padding=SAME  s=stride[1,2,2,1]

      ：参数共享机制，一个神经元对应图片每个滑窗的权重一样，但是不同神经元的权重是不同的

ps：可以促使参数量降低很多，是跟每层的卷积核个数，卷积核的size，以及深度有关。

ps：第一，能够很好的把参数量降低下来，

ps：第二，卷积的过程也是在进行内积的运算促使特征进行组合。

正常情况的卷积计算示例：(上下每次移动4格)

1*1的卷积核示例：其实就是利用数值将通道数量缩减了（512==>32）

ps：1*1卷积核，可以进一步降低参数量，将通道深度进行内积整合到一起进行了特征组合。

全连接计算：

激励层/Activation  layer（通常卷积层后面会默认跟一个激励层）

       ：把卷积层的的输出结果做一个非线性映射

ps：通过卷积层也可以看成是一种特征的组合。

ps：非线性的变换也可看成是一种特征的组合。

       ：激活函数

ps：激活函数可能会引来梯度弥散的问题。

ps：比如sigmod和tanh函数对于bp反向传播的梯度优化会造成此问题，当模型层数过深也会导致此问题。

ps：sigmoid和tanh的值域是对称的形式；       

       ：ReLu是修正线性单元，大于0就有斜率，小于0就为0，可以达到随机失活（dropout）的特性！

       ：Leakly ReLu 是对ReLu斜率的线性修正，斜率不会直接为零。

       ：Maxout，是用两条线段进行组合，不同的值在哪条线上斜率大就取谁。

       ：ELu，是对ReLu的一种修正，是指数修正

ps：一般会先使用Relu激活函数，一般效率高而且效果还好。

池化层/pooling  layer（下采样层）

         ：Max Pooling最大池化：保留数据当中最明显的特征（用的最多）

         ：Average Pooling平均池化：保留数据中的平均值特性（用的不多）

ps：降维， 来降低过拟合的风险。   

ps：满足特征不变性，我们只关注明显的特征值，而不是特征的边缘位置信息，使用池化层可以把这些不重要的位置信息去除掉，而保留最重要的特征！

全连接层/FC layer

         ：两层之间所有的神经元都有权重连接

ps：相当于就是一个笛卡尔积。

         ：通常全连接层在卷积神经网络尾部

         ：全连接层，是把图像展开成一维向量，然后与权重相乘得到一个val来实现全连接！

ps：展开后会造成大量的参数。

过拟合之正则化与Dropout：

：当模型过拟合的时候。

ps：L1和L2正则项处理效果不明显，在这里提出随机失活的思路！

：每一轮训练中，在每一层中的神经元会有一个开关，有概率失活也有概率打开

：开关是闭合的该怎么算就怎摸算，当开关一旦打开，不管前面算到的甚么结果都会失效，值为零，从新进行学习！

Dropout的理解：

：第一种，神经网络学到的东西太复杂了，要保持泛化能力，就要通过舍弃信息，让学习变得的缓慢一点！

ps：通过舍弃信息来保持泛化能力，减缓学习速度，来提升效果。

：第二种，每轮训练都关掉一部分感知器，每一轮都会得到一个新模型，相当于是进行模型融合bagging减少方差！

ps：通过训练多个模型来解决过拟合的问题。

ResNet网络

ps：基于模型来解决梯度消失这一问题，引出ResNet。

这个网络的连接不是一层扣一层的，每层都会有一个高速通道（算是一条捷径）可以进行跳跃。

ps：通过高速通道天然的防止过拟合！

ps：就是通过在梯度连乘的基础上引进了加法。

ps：基于此很好的处理了梯度弥散的问题。