cnn和图像基本知识

一、图像基本知识：


二、CNN（convolutional neural network)卷积神经网络：含卷积层的神经网络。
卷积神经网络的构成：有三层分别是：1.卷积层（CONV）：卷积层负责线性乘积求和，提取图像中的局部特征。1.5激励层（RELU）：激活函数映射成概率。2.池化层（Pool）：池化层用来大幅度降低参数量级（降维）。3.全连接层（FC）：全连接层用来输出想要的结果。
卷积层计算：卷积运算本质上就是在卷积核（Filter）和输入数据的局部区域间做点积。
【补充】：卷积核也叫滤波器=Filter；一个卷积核就是一个神经元！
卷积层的主要作用如下：需要背的：
1.特征提取：卷积层的主要作用是从输入图像中提取低级特征（如边缘、角点、纹理等。）通过多个卷积层的堆叠，网络能够逐渐从低级特征到高级特征（如物体的形状、区域等）进行学习。
2.权重共享：在卷积层中，同一个卷积核在整个输入图像上共享权重，这使得卷积层的参数数量大大减少，减少了计算量并提高了计算效率。
3.局部连接：卷积层中的每个神将元仅与输入图像的一个小局部区域相连，这称为局部感受野，这种局部连接方式更符合图像的空间结构，有助于捕捉图像中的局部特征。
4.空间不变性：由于卷积操作是局部的并且采用权重共享，卷积层在处理图像时具有平移不变性。也就是说，不论物体出现在图像的哪个位置，卷积层都能有效地检测到这些物体的特征。
三、padding（填充）：用于处理卷积时图像边缘的像素。
其目的是在输入图像的边界周围添加额外的像素（通常是零），从而解决卷积操作时边缘信息丢失的问题。


四、步长（stride）：指的是卷积核在图像上滑动时的步伐大小，即每次卷积时卷积核在图像中向右（或向下）移动的像素数。步长直接影响卷积操作后输出特征图的尺寸，以及计算和模型的特征提取能力。

【补充】：特征图的大小与四个东西有关：1.原图大小 2.卷积核大小 3.步长 4.padding（填充）
五、多通道卷积计算：

七、其他补充内容：
1.神经元和感知机的关系：应该说“每个神经元是一个‘广义的’或‘升级版的’感知机”。


3.梯度（Gradient）：损失函数相对于模型参数的导数，表示误差随着参数变化的变化率。
【在深度学习中，梯度可以看作是一个指引我们如何调整模型参数（如权重和偏置）以最小化误差的指南针。梯度告诉我们，在当前参数值的情况下，误差朝哪个方向增大或减小，以及应该调整参数多少。】
4.损失函数（Loss Function）：衡量模型预测与真实值之间的误差。例如，均方误差（MSE）