12.2深度学习_视觉处理CNN_卷积层

一、CNN

视觉处理三大任务：分类、目标检测、图像分割

1. 概述

​ 卷积神经网络是深度学习在计算机视觉领域的突破性成果。在计算机视觉领域, 往往我们输入的图像都很大，使用全连接网络的话，计算的代价较高。另外图像也很难保留原有的特征，导致图像处理的准确率不高。

​ 卷积神经网络（Convolutional Neural Network，CNN）是一种专门用于处理具有网格状结构数据的深度学习模型。最初，CNN主要应用于计算机视觉任务，但它的成功启发了在其他领域应用，如自然语言处理等。

​ 卷积神经网络（Convolutional Neural Network）是含有卷积层的神经网络. 卷积层的作用就是用来自动学习、提取图像的特征。

​ CNN网络主要有三部分构成：卷积层、池化层和全连接层构成，其中卷积层负责提取图像中的局部特征；池化层用来大幅降低运算量并特征增强；全连接层类似神经网络的部分，用来输出想要的结果。

1.1 使用场景

​

1.2 与传统网络的区别

1.3 全连接的局限性

全连接神经网络并不太适合处理图像数据…

1.3.1 参数量巨大

$$y=W^T\times x+b$$

全连接结构计算量非常大，假设我们有1000×1000的输入，如果隐藏层也是1000×1000大小的神经元，由于神经元和图像每一个像素连接，则参数量会达到惊人的1000×1000×1000×1000，仅仅一层网络就已经有$$10^{12}$$个参数。

1.3.2 表达能力太有限

全连接神经网络的角色只是一个分类器，如果将整个图片直接输入网络，不仅参数量大，也没有利用好图片中像素的空间特性，增加了学习难度，降低了学习效果。

1.4 卷积思想

卷：从左往右，从上往下

积：乘积，求和

1.4.1 概念

​ Convolution，输入信息与卷积核(滤波器,Filter)的乘积。

1.4.2 局部连接

• 局部连接可以更好地利用图像中的结构信息，空间距离越相近的像素其相互影响越大。
• 根据局部特征完成目标的可辨识性。

1.4.3 权重共享

• 图像从一个局部区域学习到的信息应用到其他区域。

• 减少参数，降低学习难度。

2. 卷积层

接下来，我们开始学习卷积核的计算过程, 即: 卷积核是如何提取特征的。

2.1 卷积核

​ 卷积核是卷积运算过程中必不可少的一个“工具”，在卷积神经网络中，卷积核是非常重要的，它们被用来提取图像中的特征。

卷积核其实是一个小矩阵，在定义时需要考虑以下几方面的内容：

• 卷积核的个数：卷积核（过滤器）的个数决定了其输出特征矩阵的通道数。
• 卷积核的值：卷积核的值是自定义的，根据想要提取的特征来进行设置，后续进行更新。
• 卷积核的大小：常见的卷积核有1×1、3×3、5×5等，一般都是奇数 × 奇数。

下图就是一个3×3的卷积核：

2.2 卷积计算

2.2.1 卷积计算过程

​ 卷积的过程是将卷积核在图像上进行滑动计算，每次滑动到一个新的位置时，卷积核和图像进行点对点的计算，并将其求和得到一个新的值，然后将这个新的值加入到特征图中，最终得到一个新的特征图。

1. input 表示输入的图像
2. filter 表示卷积核, 也叫做滤波器
3. input 经过 filter 的得到输出为最右侧的图像，该图叫做特征图

​ 那么, 它是如何进行计算的呢？卷积运算本质上就是在滤波器和输入数据的局部区域间做点积。

左上角的点计算方法：

按照上面的计算方法可以得到最终的特征图为:

​ 卷积的重要性在于它可以将图像中的特征与卷积核进行卷积操作，从而提取出图像中的特征。

​ 可以通过不断调整卷积核的大小、卷积核的值和卷积操作的步长，可以提取出不同尺度和位置的特征。

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import os


def showimg(img):
    plt.imshow(img)
    # 隐藏刻度
    plt.axis("off")
    plt.show()


def test001():
    dir = os.path.dirname(__file__)
    img = plt.imread(os.path.join(dir, "彩色.png"