cnn卷积神经网络的优缺点（深度学习卷积神经网络）

cnn卷积神经网络的优缺点（深度学习卷积神经网络）卷积层是CNN中重要的组件。因为图像的特征大多存在于相邻像素之间，对应到CNN的卷积核就是，通过计算小区域内像素之间的关系进而来提取局部特征。类似于Photoshop软件中的滤镜，低通滤镜可以降噪，高通滤镜可以得到图像的细微纹理。卷积层深度学习CNN通过卷积层和池化层可以将不同位置的特征都提取出来，进而消除前馈神经网络对位置的依赖性，进而大大提升了模型的效率，减少构建数据集的开销。CNN通用结构包括图中所示的一些组件，组件个数和排布方式由具体模型及应用场景确定。CNN结构中可能包含卷积层、池化层、Flatten层、全连接层和输出层等网络结构.CNN通用结构

卷积神经网络（CNN）是深度学习技术中重要的网络结构之一，其在计算机视觉问题中的应用取得了非常好的效果，并且在ImageNet、Coco等竞赛数据集上取得了不俗的成绩。

CNN相比于图像处理算法的优点在于，CNN可以直接输入原始图像，这就避免了对图像复杂的前期预处理与特征工程。同时CNN通过局部连接、权值共享等方法，规避了传统全连接神经网络参数量过大的问题，提升计算速度，节省空间占用。

CNN图像处理的过程就是在进行信息抽取，巨大的网络可以逐层进行抽取并不断获取关键的图像特征，同时整个过程相比于传统机器学习来说是自动化的。

前馈网络的不足

如果训练前馈神经网络，使用物体位于中间的数据训练模型，则会造成模型只对中间位置的节点的权重进行调节。如果物体位于其他位置，则模型将会无法进行识别。

深度学习CNN通过卷积层和池化层可以将不同位置的特征都提取出来，进而消除前馈神经网络对位置的依赖性，进而大大提升了模型的效率，减少构建数据集的开销。

CNN的结构

CNN通用结构包括图中所示的一些组件，组件个数和排布方式由具体模型及应用场景确定。CNN结构中可能包含卷积层、池化层、Flatten层、全连接层和输出层等网络结构.

CNN通用结构

卷积层

卷积层是CNN中重要的组件。因为图像的特征大多存在于相邻像素之间，对应到CNN的卷积核就是，通过计算小区域内像素之间的关系进而来提取局部特征。类似于Photoshop软件中的滤镜，低通滤镜可以降噪，高通滤镜可以得到图像的细微纹理。

滤波器不断作用于局部图像，将滤波器与局部图像进行乘法运算之后求和，生成输出的特征图（FeatureMap）的每一个元素。如上图所示的3X3方形滤波器，即卷积核，在CNN网络中就是神经元的权重参数。

局部连接

CNN通过局部连接可以大幅降低计算开销。假设输入图像为1000×1000像素，而与之连接的隐藏层的神经元是106，那么计算一下则全连接会产生1000×1000×106=1012个权重参数，大量的参数将造成巨大的计算开销；如果使用卷积层中的局部连接方式，隐藏层的每个神经元只和图像中10×10的局部图像进行连接，那么权重参数将骤减为10×10×106= 108，对计算量有数量级的消减。

多滤波器

使用多个不同的滤波器对同一张图片进行多次特征提取，可以获得不同的特征图。常用的滤波器包括如下几种。

权值共享

采用卷积可以减少一定参数，但是参数量依然很多。采用权值共享可以进一步减少参数。隐藏层的每一个神经元连接的是一个10×10的局部图像，因此有10×10个权值参数。将这10×10个权值参数共享给剩下的神经元，也就是说隐藏层中106个神经元的权值参数都是相同的，此时不管神经元数量为多少，权重参数均变为10×10个。

因为有权值共享，即使同一形状的物体在不同位置也可以被等价识别，不需要对每个位置都设计自己的卷积滤波器来学习。

池化

通过卷积获得了特征之后，我们希望利用这些特征进行分类。理论上讲，人们可以利用提取到的所有特征去训练分类器，但这样做将面临着计算量的挑战。

卷积后的特征图中有对于识别物体来说不必要的冗余信息。通过将整个图片被不重叠地分割成若干个同样大小的小块（pooling size），然后每个小块的信息聚合起来，这种聚合的操作就称为池化（pooling）。下图展示了最大池化（max pooling）的操作。

池化层的主要功能是下采样，却不会损坏识别结果。

Inception

对于相同的物体形状，可能由于图像分辨率等原因，在不同的图像中其大小可能不一样，为了消除尺寸对于识别结果的影响，研究人员设计了Inception的结构。

Inception模块一次性使用多个不同大小的滤波器来抓取多个范围不同的特征，并让网络自己选择所需要的特征。

Flatten层和全连接层

当抓取到足以用来识别图片的特征之后，接下来的问题就是如何进行分类，通常卷积网络最后的Flatten层会将末端得到的长方体平摊成一个长长的向量，并送入全连接层配合输出层进行分类。

全连接层（Fully Connected Layers FC）在整个卷积神经网络中起到了“分类器”的作用，即将学到的特征映射到样本标记空间。

跳层连接

我们在判断一个物体的时候，很多时候我们并不是观察它的全部，或者提供给你的图片本身就是残缺的，这时我们可以通过跳层连接来获取组合信息以辅助判断。

跳层连接允许不同层级之间的因素进行信息交互、综合判断。例如上图所示的DenseNet就是拥有这种特点的神经网络。

总结经典CNN

综上，卷积神经网络（CNN）基本就是卷积层、池化层、激活函数、全连接层的各种组合。通过不断的组合优化，形成了很多经典的CNN结构。

• LeNet：较早的深度神经网络结构。
• AlexNet：相比LeNet，网络层次更深。其使用堆叠卷积层来进行特征提取，通常是一个卷积层之后连接一个Max Pooling层，形成网络结构。
• ZF Net：增加了中间卷积层的尺寸，使得第一层的步长（Stride）和滤波器尺寸更小。
• GoogLeNet：减少参数数量，最后一层使用Max Pooling层代替了全连接层，同时引入了Inception-v4模块的使用。
• VGGNet：只使用3×3卷积层和2×2 pooling层进行深度神经网络结构连接。
• ResNet：引入了跳层连接和Batch Normalization。
• DenseNet：将跳层连接应用于整个网络结构。