深度学习 | CNN 基本原理

---

前言

• 这篇博客不够详细，因为没有介绍卷积操作的具体计算；
• 但是它介绍了 CNN 各层次的功能，提供了一个全局的视野。

参考博客

• 卷积神经网络（CNN）详细介绍及其原理详解

1 什么是 CNN

卷积神经网络 CNN 通常被用于图像处理，比如下图的手写数字辨识过程：

可以看出，整个过程由以下几层组成：

• 输入层：输入图像等信息；
• 卷积层：用于提取图像的底层特征；
• 池化层：防止过拟合，即将数据的维度减小；
• 全连接层：汇总卷积层和池化层得到的图像的底层特征和信息；
• 输出层：根据全连接层的信息得到概率最大的结果。

其中最重要的就是卷积层，这也是卷积神经网络名称的由来。接下来，我们将对这些层进行详细的介绍。

个人理解：上图中的红色方框表明，黑色线所指向位置的元素是由红色方框内的元素计算出来的。

2 输入层

CNN 的输入层用于将输入的图像转换为由像素值构成的二维矩阵，并存储该二维矩阵以等待后续操作。与人眼不同，计算机能够处理的图像是一个二维矩阵，该二维矩阵是由图像的每一个像素的像素值组成的。如下图所示，手写数字 $8$ 的图像被计算机读取为一个二维矩阵：

图 (a) 是一个灰度图像，这是因为其每个像素值的范围在 $[0,255]$ 之间，表示其颜色的强弱程度。除灰度图像外还有黑白图像，黑白图像的每个像素值要么是 $0$，要么是 $255$。而日常生活中最常见的是 $\mathrm{RGB}$ 图像，这种图像有三个通道，分别是：红色、绿色、蓝色。每个通道的每个像素值的范围也是在 $[0,255]$ 之间，表示其颜色的强弱程度。

由于灰度图像的值范围较小、颜色较单一，因此比较好操作，所以我们通常处理的都是灰度图像。在某些情况下，$\mathrm{RGB}$ 图像在输入神经网络之前也会被转化为灰度图像，这就是因为处理三个通道的计算量非常大。不过随着计算机性能的高速发展，现在有些神经网络也可以直接处理