2、深度神经网络：模型与方法

深度神经网络：模型与方法

1. 卷积神经网络（CNNs）概述

卷积神经网络（CNNs）专为计算机视觉任务而设计，与常规神经网络在架构上有所不同。其神经元按三维（高度、宽度和深度）排列，以匹配数据（图像可视为像素长方体）的几何形状。在CNN中，空间维度逐层减小，而深度维度增加。

CNN的底层通常是局部连接的，其空间支持（感受野）有限，有助于获取空间局部相关信息，并通过池化操作减小空间维度。当空间维度足够小时，会使用全连接层，最后一层是计算类别分数的全连接层。CNN具有生物学灵感，动物视觉皮层中的细胞仅对全局视野的有限部分敏感。

2. CNN的各层结构

2.1 卷积层

卷积层是CNN架构的核心，对输入图像的空间局部相关性做出反应。它由一组空间大小有限的滤波器组成，滤波器的权重是可训练的。卷积层的名称源于其工作方式：滤波器在整个图像上滑动，就像计算图像与滤波器的卷积一样。滤波器滑动时的移位称为“步长”参数，是深度卷积神经网络的超参数之一。

在每个滤波器位置，会对滤波器和图像中相应区域进行点积运算。所有滤波器在整个图像上滑动完成后，每个滤波器都会得到一个激活图，这些激活图沿深度方向存储，这解释了为什么CNN中深度维度会逐层增加。

实际应用中，CNN学习到的每个滤波器在遇到特定视觉特征时会被激活。随着层数增加，滤波器变得越来越抽象。底层滤波器倾向于对简单对象（如边缘、特定形状或颜色）做出反应，而上层滤波器可以对更复杂的对象（如建筑物、动物等）做出反应，具体取决于训练数据集。

使用CNN可以减少网络的参数（权重）数量。例如，假设每个图像用元素为0或1的矩阵编码，卷积层会学习一组滤波器。