深度学习项目——表情识别（2）卷积基础和常用卷积模型

1. 图像基础

1.1 图像如何存储在计算机中

• 灰度图：矩阵

  0：白色
  1：黑色
  0-255：灰色
  

• 彩色图：三个矩阵的叠加

彩色图 = 三个图层/三个通道 （每个图层由 0-255 的数字组成，用来表示红/绿/蓝 颜色的深浅）

比如，用0来表示最不红，255表示最红。

重要概念：width、height、channel

1.2 传统的图像处理

• 人工算子（矩阵形式）：参数
• 卷积：运算
  
  可以使用使用卷积神经网络，来自动学习参数。

2. 卷积的基本构件

2.1 卷积层

2.1.1 全连接神经网络 处理图像的问题

• 全连接神经网络（DNN）：上下层每一个神经元全部连接

• 思路
  一张灰度图像（28x28）的全部像素 flatten 成一个n 维（28x28=784）向量，然后接上不同维度（64和32）的全连接层，最后接上 softmax ，输出相应维度（10）的向量，进行最后分类。

• 采用全连接网络的问题：

1. 参数太多
2. 像素之间相关性太大
   

2.1.2 卷积层的特性/作用

• 共享参数：大大降低了网络参数——保证了网络的稀疏性，防止过拟合（之所以可以“参数共享”，是因为样本存在局部相关的特性。）
• 局部感受野：解决相关性太大的问题