标签：运算卷积 filter 神经网络池化 c4w1 图片

卷积神经网络

计算机视觉问题

计算机视觉（computer vision）是因深度学习而快速发展的领域之一，它存进了如自动驾驶、人脸识别等应用的发展，同时计算机视觉领域的发展还可以给其他领域提供思路。

计算机视觉应用的实例：图片分类（识别是不是一只猫）、目标检测（检测途中汽车行人等）、图片风格转移等等。

同时，计算机视觉领域也面临着一个挑战：图片数据转换为特征向量太大了。比如一张像素为1000*1000的图，转换成向量后有3百万的输入的特征，这就导致了

神经网络的结构非常复杂，参数非常多。在参数如此多的情况下，没有办法获得足够的数据来防止过度拟合。
庞大的计算量，没有足够的性能来计算这么多的参数。

因此为了处理这样大的数据量，需要进行卷积运算。卷积运算是卷积神经网络（convolutional neural network, CNN）中非常重要的一块。

卷积运算

边缘检测 Edge detection example

卷积运算是卷积神经网络的重要基石之一。

当给到你一个图片，希望让电脑搞清楚这张图片里有什么物体，可能首先需要做的是对图片进行边缘检测（Edge detection）。

边缘检测分为：垂直边缘（vertical edges）、水平边缘（horizontal edges）

实现垂直边缘检测，需要通过卷积运算来实现。比如检测一张6x6像素的灰度图片的垂直边缘，需要通过一个3x3的矩阵称之为过滤器（filter）或卷积核（kernel）。将原始图片与过滤器（filter）矩阵做卷积运算（convolution），得到一个4x4的图图片。具体的做法是，将filter矩阵贴在原始图片上移动（从左到右，从上到下），每次贴好后逐元素相乘之后求和，得到的结果为4x4矩阵对应的元素。

下面是一个gif展示了卷积运算的操作

、

下图是一个比较好理解的例子，通过卷积运算，原始图片中左右两侧为不同颜色的垂直边缘线，变成了4x4图像中间的空白，代表边缘所在的位置。（在比较大的图片中，边缘会比较明显而不是这种小图中空白柱子）

比较简单的理解，卷积核（filter）矩阵的两边的左右数字是相反的，如果图片中存在像素值相差比较大的两边（垂直边缘），那么原始图片上这两部分和卷积核的内积，差值就会比较大，那么在得到的新图片上颜色差距就会很明显，从而检验出来边缘。比较简单的理解，卷积核（filter）矩阵的两边的左右数字是相反的，如果图片中存在像素值相差比较大的两边（垂直边缘），那么原始图片上这两部分和卷积核的内积，差值就会比较大，那么在得到的新图片上颜色差距就会很明显，从而检验出来边缘。

填充 Padding

为了构建深度神经网络，需要通过Padding对基本的卷积运算进行改进。那么为什么要填充呢？

原图片在于卷积filter进行卷积运算的时候变小了，比如上面例子中6x6的图片经过卷积运算后变成了4x4的图片。那么每经过一次卷积运算，图片就会缩小一次，最后可能缩小到1x1。
图片中边界像素的运算次数要小于中心像素，比如左上角的像素只参加了一次卷积运算，那么在一次又一次的卷积运算中，会丢图片边缘的信息。

为了解决上面的两个问题，就需要进行图像的填充（Padding）操作。具体的做法就是在图像周围填充一圈为0的像素。填充后的图片再进行卷积运算后其维度就会保持原始图片的大小。如下图所示，此时padding，p=1。

上述的填充操作一方面在卷积运算后保持了图像的大小，另一方面也使得边界像素参加了更多次运算，缓解了边缘信息丢失的影响。

考虑到是否填充，卷积运算分为两种

Valid convolutions：就是不填充
Same convolutions：填充之后，保持输入输出图像大小不变

需要注意的是通常在计算机视觉领域，卷积filter的维度大小都是取奇数。一来不会导致填充不对称，二来奇数维度的过滤器会有一个中心点，在计算机视觉领域会方便点。

填充像素的层数可以不是1，要实现Same convolutions，那么填充应该为$p=\frac{f-1}{2}$。其中$f$代表卷积filter的维度（步长=1）。

卷积的步长

在前面的例子中，每次filter都是移动一个格，也就是步长（stride）为1。在卷积运算中，允许移动的举例大于1。

对于一个nxn的图像，fxf的filter，填充p层，和步长为s，进行卷积计算后，其维度应该是$(\biggl\lfloor \frac{n+2p-f}{s}+1 \biggr\rfloor \times \biggl\lfloor \frac{n+2p-f}{s}+1 \biggr\rfloor)$，计算结果不为整数的，向下取整就好了，因为我们不计算filter没有完全落在图像上的情况。就下图这种情形。

关于卷积和和互相关（cross-correlation）的说明：严格来说，前面介绍的卷积操作和数学上定义的卷积有所差别。数学上的卷积，在卷积进行前要线对fiter进行旋转操作，然后在进行互相关操作（就上面说的逐元素乘积求和）。旋转操作后，满足结合律。

但是在深度学中，对卷积的定义就是上面提到的filter贴合好后，逐元素乘积求和（尽管在数学上这成为互相关）。但这并不会影响在编程中要实现的东西。因为毕竟filter中的数据都是后面要在网络中进行加权求和中学习的参数，所以不旋转影响不大，而且简化代码。

三维卷积

上面介绍的卷积都是应用在二维的灰度图片上，现在将卷积应用于三维上（比如RGB图片上）

RBG图片卷积运算的例子

RGB图片是通过三个颜色通道叠加在一起，也就是三个矩阵叠加，所以原始图片的大小就是6x6x3。对应的，用来做卷积运算的filter也要扩充到三维。要注意的是，在进行卷积运算时，原始图片的通道数（channel）要和filter的通道数一致。

这种情况下，运算的规则是，将这个三维的filter的三个channel对应贴合到原始图片的三个channel上，在每个通道上对应做卷积运算，再把三个通道运算的和作为整体的运算结果，写入到结果矩阵对应位置。

如果仅关注一种颜色的边界，如红色，则可以考虑把filter上对应绿色和蓝色的通道上矩阵全部设为0矩阵。如果RGB三种颜色的边界都考虑，那就这是filter三个通道的矩阵都正常设置。

如果想有多个过滤器怎么办？（就是同时检测垂直、水平或其他方向的边界）。可以应用多个filter（Multi filters是构建CNN的重要思想。）

总结一下维度，原始图片维度是$n * n *n$，过滤器维度是$f*f*n_c$，那么得到的结果维度应该是$(n-f+1) (n-f+1)n'_c $，$n'_c$是使用filter的个数。

最后要简要说明$n_c$这个参数可以称为channel（通道）或者是深度（depth）。

单层卷积网络

一个单层卷积神经网络例子如下

把我们前面学到的神经网络和多过滤器结合起来。这里一个filter就像是一层神经网络中的一个神经单元，每一个filter是对一个特征的检测，进行卷积操作就像是加上权重参数W。进行卷积运算之后加上偏置b，并应用非线性函数RelU，就得到了这一神经单元的输出，把这一层每个filter（神经单元）的输出结合起来就得到了该层网络（卷积层）的输出。

在上图的例子中，使用了两个filter也就是检测了两个特征，最终得到了4x4x2的输出。如果使用10个过滤器，堆叠在一起就会得到4x4x10的输出。

如上图的例子，每个filter都是3x3x3，那么通过卷积计算检测一个特征就需要$3*3*3+1$个参数（1个bais）；那么相应的，10个filter就有280个参数。

对于卷积计算参数的个数是固定不变的，也就是无论输入的图片是多大，参数都是固定的是比较少的。这是也是卷积神经网络的一个特性可以避免过拟合。

总结卷积神经网络的符号(第l层为卷积层)：

$f^{[l]} $：filter 的大小，就是矩阵的列数或行数，一般是行列式。
$p^{[l]}$：填充的层数
$s^{[l]}$：卷积计算的步长
$n_C^{[l]}$：filter的数量
$n_H^{[l]}*n_W^{[l]}*n_C^{[l-1]}$：输入图形的维度，其通道数与上一层filter数相等
$n_H^{[l]}*n_W^{[l]}*n_C^{[l]}$：输出图形的维度，通道数与本层filter相等
每层的filter的维度：$f^{[l]}*f^{[l]}*n_C^{[l-1]}$，本层filter通道数应该与本层输入图片通道数一致
Activation：$a^{[l]}\rightarrow n_H^{[l]}*n_W^{[l]}*n_c^{[l]}$，与本层输出图片维度一致，$A^{[l]}$的维度是$m \times n_H^{[l]} \times n_W^{[l]} \times n_C^{[l]}$
权重参数W个数：$f^{[l]}*f^{[l]}*n_c^{[l-1]}*n_C^{[l]}$，本层filter个数再乘以每个filter中元素个数
偏置b个数：$n_C^{[l]}-(1,1,1,n_C^{[l]})$
其中$n_H^{[l]}=\biggl\lfloor \frac{n_H^{[l-1]}+2p-f^{[l]}}{s{[l]}}+1 \biggr\rfloor $ $n_W^{[l]}=\biggl\lfloor \frac{n_W^{[l-1]}+2p^{[l]}-f^{[l]}}{s^{[l]}}+1 \biggr\rfloor$

简单卷积网络示例

下图为一个简单的CNN

输入图片的维度是39x39x3
最后输出的图片，可以将其展开（flatten or unroll）成一个向量，再交给logistic单元或softmax单元处理，实现分类。
像上图示例，图片的高度$n_H^{[l]}$和图片宽度$n_W^{[l]}$随着层数的增加逐渐减低，但是通道数$n_C^{[l]}$不断增加。许多卷积网络也都可以看到这种趋势（为什么这样处理，看到弹幕这么说）

典型的卷积网络构成

通常由三层

卷积层，Convolution (CONV)
池化层，Pooling (POOL)
全连接层，Fully connected (FC)

全连接层，指的是每一个结点都与上一层的所有结点相连，用来把前面几层提取到的特征综合起来。由于其全连接的特性，一般全连接层的参数也是最多的。https://zhuanlan.zhihu.com/p/552186222

池化层 Pooling Layers

https://zhuanlan.zhihu.com/p/545293528

除了卷积层以外，卷积网络还经常用到池化层（Pooling layer）。池化，也叫Pooling，其本质其实就是采样，池化对于输入的图片，选择某种方式对其进行压缩，以加快神经网络的运算速度。这里说的某种方式，其实就是池化的算法，比如最大池化或平均池化。

池化层的示意图（Max pooling）：

池化的过程类似于卷积。

上图表示的就是对一个图片领域内的值，采用2x2的池化核，步长为2进行扫描，选择最大值输出，称为最大池化（Max pooling）。

最大池化Max pool，常用的参数为filter=2，stride=2，这样的参数处理的效果就是输出图片的高度、宽度减半，通道数不变。因为我们会对每层通道都进行池化操作。池化操作一般padding=0，池化的目的就是缩小图片提取特征，这和填充的目的相悖。

还有一种平均池化，和最大池化类似，就是求区域内的平均值作为输出结果。一般来将，最大池化用得比较多。

因为在池化操作中，池化filter只负责划分出某次池化操作需要的图片上的范围，filter没有数据计算，在训练过程中也就没有权重参数需要学习。

在通道这个维度上，每次池化操作都是独立的。

池化层的优点是：

缩小了图片，但保留了图像的特征，加快计算的速度。
池化层没有要学习的参数，因此在训练的过程中，可以在一定程度上防止过拟合的发生。