pytorch深度学习：CNN卷积神经网络（一）_dga cnn pytouch

卷积神经网络(CNN)是在图像、视频识别处理领域应用最多的深度学习方法。这次就来学习下卷积神经网络的基础知识。这里只简单介绍下卷积神经网络的入门知识，想再深入学习可以看下吴恩达、李宏毅老师的CNN课程。

1.卷积神经网络的介绍

如果我们采用传统神经网络来处理图像，由于图像分别率很高的原因导致输入数据的维度特别高，所以神经网络中的参数数量会太大。针对这个问题，CNN就被提出了。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积都会提取数据中最有效的特征。

我们以人眼识别物体来类比卷积层，人眼识别物体是从点和线开始的，每个视觉神经元只接受一个区域信号。并提取出点和边的特征，然后将点和边的信号传递给后面一层的神经元，再接着组合成高阶特征，比如三角形、正方形、拐角等，再继续抽象组合，得到眼睛、鼻子和嘴等五官，最后再将无关组合成一张脸，完成识别。

只要我们提供的卷积核足够多，就能提取出各种方向的边和各种形态的点，就可以让卷积层抽象出有效而丰富的高阶特征，每一个卷积核滤波得到的图像就是一类特征，也叫Feature Map。

卷积的好处： 不管图像尺寸如何，我们需要训练的权重参数只跟卷积核大小、数量有关，因此我们可以使用非常少的参数量处理任意大小的图片。

2.卷积神经网络的结构

常见的卷积神经网络结构包括：卷积层、池化层、全连接层。其中卷积层和池化层可以重复多次，如下图所示：