神经网络

1. 神经网络基础

2. MNIST数据集浅层神经网络分析

3. 卷积神经网络

4. 卷积神经网络MNIST数字图片识别

---

3. 卷积神经网络

深度的神经网络

• 深度神经网络与更常见的单一隐藏层神经网络的区别在于深度，深度学习网络中，每一个节点层在前一层输出的基础上识别一组特定的特征。随着神经网络深度增加，节点所能识别的特征也就越来越复杂。

1. 卷积神经网络与简单全连接神经网络的比较
   • 全连接神经网络的缺点
     • 参数太多
     • 没有利用像素之间位置信息
     • 层数限制
2. 卷积神经网络的发展历史

• 卷积神经网络的表现：

  
  CNN错误率.png
  

  在10和11年时，错误率很高，12年时，卷积神经网络的出现，错误率下降了很多，接下来的几年错误率一直在降低，在15年已经超过了人类水平。

• 1989年，LeCun发明了卷积神经网络的雏形LeNet，将LeNet改造之后，AlexNet有了历史性的突破，准确率直线上升，各种各样的神经网络都出现了。

  
  卷积神经网络.png

3. 神经网络的结构分析

• 神经网络的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层（又叫下采样层）。
  - 卷积层：通过在原始图像上平移来提取特征
  - 池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）
  • CNN的结构：

    1. 卷积层过滤器(相当于观察窗口，里面有权重，移动来观察)

       • 个数
       • 大小（一般为奇数1 * 1、3 * 3、5 * 5）
       • 步长（移动的像素数量），太大观察的太粗略，一般为1
         • 移动过程中越过图片大小：
           • 不越过，直接停止观看
           • 就直接超过，用0填充周围
       • 零填充：卷积核在提取特征映射时的动作称之为padding（零填充），由于移动步长不一定能整除整张图的像素宽度。其中有两种方式，SAME和VALID
         • SAME：越过边缘取样，取出的面积和输入图像的像素宽度一致。
         • VALID：不越过边缘取样，取样的面积小于输入的图像的像素宽度。
       • 卷积层输出深度、输出宽度
         • 深度由过滤器个数决定
         • 宽度：
           • 输入体积大小H1 * W1 * D1
           • 四个超参数：
             • Filter数量K
             • Filter大小F
             • 步长S
             • 零填充大小P
           • 输出体积大小H2 * W2 * D2
             • H2 = （H1-F+2P）/S+1
             • W2 = （W1-F+2P）/S+1
             • D2 = K

       • 卷积计算过程（一个通道一个Filter一个步长）：

         
         image.png
       • 从最左上方开始计算，filter覆盖3*3的方块大小，进行卷积计算（对应的位置相乘在相加），得出的数填在红色方块的一个块里，依次移动计算填入红色方块。

       • 当步长为2时：

         
         image.png

    2. 激活函数

       • Relu函数：

       f(x) = max(0,x)
       

       • sigmoid函数的缺点：
         • 采用sigmoid等函数，反向传播求误差梯度时，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多。
         • 对于深度网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（求不出权重和偏置）。
       • 激活函数API：
         • tf.nn.rule(features,name=None)
           • features:卷积后加上偏置的结果
           • return：结果

    3. 池化（Pooling）层

       • Pooling层主要作用是特征提取，通过去掉Feature Map中不重要 的样本，进一步减少参数的数量。Pooling的方法有很多种，最常用的是Max Pooling。Max Pooling的计算方法与卷积层计算法类似，也是用一个小的filter，只不过是选择方框中最大的值，填入最后的结果表中。图下图所示：

         
         image.png

       • 池化API

         • tf.nn.max_pool(value,ksize=,strides=,padding=,name=None)输入上执行最大池数
           • value：4-D Tensor形状[batch,height,width,channels]
           • ksize:池化窗口大小[1,ksize,ksize,1]
           • strides:步长大小，[1,strides,strides,1]
           • padding:"SAME","VALID",使用的填充算法的类型，使用“SAME”。

    4. 全连接层

       • 前面的卷积和池化相当于做特征工程，后面的全连接相当于做特征加权。最后的全连接层在整个卷积神经网络中起到“分类器”的作用。

4. 卷积网络API介绍
   • tf.nn.conv2d(input, filter,strides=,padding=,name=None)计算给定4-Dinput和fileter张量的2维卷积
     • input：给定的输入张量，具有[batch,height,width,channel]，类型为float32, 64。
     • filter：指定过滤器的大小，[filter_height,filter_width, in_channels, out_channels]
     • strides:strides=[1, stride,stride, 1]步长
     • padding：“SAME”，“VALID”，使用的填充算法的类型，使用“SAME”。其中“VALID”表示滑动超出部分舍弃，“SAME”表示填充，使得变化后height，width一样大。