Convolution Neutral Network

---

前言

提示：这里可以添加本文要记录的大概内容：

Convolutional Neural Network（卷积神经网络，CNN）是一种前馈神经网络（Feedforward Neural Network），最初用于图像识别和处理。它是一种深度学习算法，其中神经网络的层级结构被设计成对数据进行学习和分类。CNN的设计灵感来源于生物学中的视觉皮层对视觉信息处理的方式，可以有效地处理高维度数据（如图像和视频），并且能够从非常大的数据集中进行自我学习，从而达到高准确率的分类和识别效果。

CNN的主要特点是它包含卷积层和池化层。卷积层通过滤波器和卷积操作提取输入图像的特征，从而缩小输入图像的规模。池化层则进一步缩小图像的规模，同时保留图像的重要特征。CNN通过堆叠多个这样的层级，可以实现对图像等复杂数据的高级特征提取和分类。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、图像卷积运算

A*B，表示A与B卷积，目的是为了提取图像的一些特征

对图像矩阵与滤波器矩阵进行对应项相乘再求和运算：

寻找竖向轮廓：

## 寻找横向轮廓过滤器
## RGB图像的卷积：

过滤器的确定：

二、池化层

用来实现维度缩减，按照一个固定规则对图像矩阵进行处理，将其转化为更低维度的矩阵

1.最大池化

2.平均法池化

把卷积、池化、mlp先后连接在一起，组成卷积神经网络：

当为负数的时候直接为0，能够过滤无用信息

卷积神经网络两大特点

三、卷积运算导致的两个问题

1.图像被压缩，造成信息丢失
经过卷积核卷积后图像尺寸为:（n-f+1)*(n-f+1）

2.边缘信息使用少，容易被忽略
解决方法是对图像进行填充：
1.使用经典的CNN模型来搭建自己的模型
2.使用经典的CNN模型结构对图像预处理，再建立MLP模型

经典的CNN模型：

• LeNet-5
  

• AlexNet
  
  

• VGG
  

如何搭建自己的CNN模型

经典的CNN用于新的场景：