卷积神经网络原理及其C++/Opencv实现(3)_c++ 卷积神经网络图像

在前面的两篇文章中，我们分别讲了卷积神经网络的卷积层、池化层、Affine层、Softmax层等基础知识。

卷积神经网络原理及其C++/Opencv实现(1)

卷积神经网络原理及其C++/Opencv实现(2)

我们知道，信号在神经网络中的传播方向分为正向传播与反向传播：

(1) 正向传播：输入信号按顺序通过神经网络的每一层，一直从输入端达到最后的输出端，然后作为最终输出信息输出。

(2) 反向传播：训练数据时，由于神经网络的参数是根据输出信号与标签的误差信息来调节的，因此需要将其误差信息从神经网络的输出端传递到输入端，也即按反方向传播。

本文我们主要从数学公式的角度来讲解以下5层卷积神经网络的正向传播过程。

1. 卷积层C1

C1作为5层网络的第一层，也是输入层。它的相关信息列出如下：

输入：1张28*28的手写数字图像。

卷积神经元个数：6个卷积神经元。

卷积核尺寸：每个卷积神经元对应1个5*5卷积核。

偏置：每个卷积神经元对应1个偏置值。·

卷积模式：Valid卷积模式。

激活函数：Relu函数。

输出尺寸：每个卷积神经元输出(28-5+1)*(28-5+1)=24*24的卷积结果，总共6个卷积神经元，因为总共输出6张24*24的卷积结果图像。

假设输入图像为I，卷积核为k，偏置为b，激活函数为f(x)，那么C1层的每个卷积神经元的输出Y按照下式计算，其中"*"号为图像的卷积操作，且0≤i<6。

这里可能有人会有疑问，既然卷积的结果为一个二维矩阵，它是怎么加上作为一个数的偏置，以及怎么输入激活函数的？其实前面的文章我们就讲过：

(1) 两个卷积结果的相加操作，也即矩阵中对应位置值的相加。

(2) 加上偏置的操作，也即矩阵中每个值都加上相同的偏执值。

(3) 通过激活函数的操作，也即矩阵中每个值都输入激活函数，然后所有的激活函数输出值组成相同维度的矩阵，该矩阵就是卷积神经元的输出。

2. 池化层S2

池化原理我们在上篇文章（文章开头的超链接）已经讲过，在本层我们选择最大值池化的方法对C1层的输出进行池化。本层信息列出如下：

输入：6张24*24的卷积结果图。

池化窗口尺寸：2*2。

池化模式：最大值池化。

输出尺寸：每张卷积结果图经过池化之后，变成(24/2)*(24/2)=12*12的图像，因此该层输入的6张24*24的图像变成6张12*12的图像。

用数学式子表示池化过程如下：

3. 卷积层C3

该层的相关信息列出如下：

输入：6张12*12的池化结果图。

卷积神经元个数：12个卷积神经元，每个卷积神经元都输入6张12*12的池化结果图。

卷积核尺寸：每个卷积神经元对应6个5*5卷积核。

偏置：每个卷积神经元对应一个偏置值。·

卷积模式：Valid卷积模式。

激活函数：Relu函数。

输出尺寸：每个卷积神经元输出(12-5+1)*(12-5+1)=8*8的卷积结果，总共12个卷积神经元，因此总共输出12张8*8的卷积结果图像。

那么C3层的每个卷积神经元的输出Y按照下式计算。·

4. 池化层S4

本层信息列出如下：

输入：12张8*8的卷积结果图。

池化窗口尺寸：2*2。

池化模式：最大值池化。

输出尺寸：每张卷积结果图经过池化之后，变成(8/2)*(8/2)=4*4的图像，因此该层输入的12张8*8的图像变成12张4*4的图像。

用数学式子表示池化过程如下：

5. 输出层O5

本层是全连接层，也是5层网络的最后一层，其信息列出如下：

输入：输入12张4*4的池化结果图，输入之后将12*4*4=192的数据按顺序展开成长度为192的一维向量X：

神经元个数：10个神经元，每个神经元都输入向量X的192个数据。

权重个数：每个神经元对应192个权重，总共10个神经元，因此该层总共有10*192个权重。

偏置：每个卷积神经元对应一个偏置值，因此总共有10个偏置值。·

激活函数：Softmax函数。

输出尺寸：每个神经元输出一个0~1之间的概率值，因此总共输出10个概率值。

本层的输出Y可按下式计算：

好了，本文我们就讲到这里，下篇文章中让我们继续探讨一下反向传播吧，敬请期待！