大家好，又见面了，我是你们的朋友全栈君。
卷积神经网络基础：
首先看一下全连接网络，即神经元和相邻层上的每个神经元都连接：
如果我们把图像中的像素点顺序排列作为输入层神经元的值，对于28×28像素的图像，输入神经元有28×28=784个。但是用这种全连接的网络去做图像分类是很奇怪的，因为它没有考虑图像的空间结构（局部特征），它相同看待那些相距很近和很远的像素，这是不好的。
卷积神经网络三个重要概念：
- 局部感受野（local receptive fields）
- 共享权重（shared weights）
- 池化（pooling）
（1）局部感受野：在全连接的网络中，输入被描绘成纵向排列的神经元，但是在卷积网络中我们把它看成28×28的方形：
输入神经元的一小片区域会被连接到下一层隐层，这个区域被称为局部感受野，然后在输入图像中移动局部感受野，每移动一次，对应一个隐层的神经元，如此重复构成隐层所有神经元。如果局部感受野是5×5的，一次移动一格，输入图像是28×28的，那么隐层有24×24个神经元。
（2）共享权重和偏置：每个隐层的神经元都有一个偏置和连接到它的局部感受野的5×5的权重，并且对这一层的所有神经元使用相同的权重和偏置。也就是说，对于隐藏层的第j行第k列的神经元，它的输出为：
其中σ是激活函数，b是共享偏置，Wl,m是共享权重的5×5数组，用ax,y表示输入层的第x行第y列的神经元的输出值，即隐层的第j行第k列的神经元的若干个输入。
共享，意味着这一个隐层的所有神经元检测完全相同的特征，在输入图像的不同位置。这说明卷积网络可以很好地适应图片的平移不变性。共享权重和偏置被称为卷积核或者滤波器。我们再看一下卷积的过程：
图像分类中我们会卷积多次（卷积核不同），也称为特征映射，下图卷积了3次，识别了3种特征：
共享权重和偏置的一个很大的优点是，大大减少了网络的参数数量。一次卷积我们需要5×5=25个共享权重，加上一个共享偏置共26个参数。如果我们卷积了20次，那么共有20×26=520个参数。以全连接对比，输入神经元有28×28=784个，隐层神经元设为30个，共有784×30个权重，加上30个偏置，共有23550个参数。卷积层的平移不变性会减少参数数量并加快训练，有助于建立深度网络。
（3）池化：池化层一般在卷积层之后使用，主要是简化从卷积层输出的信息。池化层的每个单元概括了前一层的一个小区域，常见的方法有最大池化，它取前一层那个小区域里的最大值作为对应池化层的值。
为什么要池化呢？在通过卷积获得了特征之后，下一步我们要利用这些特征去做分类，如果直接用这些特征去训练分类器，维度还是太高，计算量太大而且容易过拟合，而通过池化大大减少特征的维度，减少过拟合的出现。再者，我们选择图像中的连续范围作为池化区域，这就意味着即使图像经历了一个小的平移之后，依然会产生相同的 (池化的) 特征，做到了图片的平移不变性。这里也可以看到卷积池化共享权重都有类似的作用。
最后要知道，卷积层往往不止一个特征映射，多层卷积的目的是一层卷积学到的特征往往是局部的，层数越高，学到的特征就越全局化。所以我们也将最大池化分别应用于每一个特征映射，如下图，最后是一个输出层，和池化层全连接，一个神经元代表一个类别：
需要注意的是，以上我们举的例子都是单通道的图像，实际上我们的输入图像一般是三通道的，也就是说是一个三维的张量，而对应的卷积核也是三维的，卷积核的“厚度”和输入图像的“厚度”是相同的，三通道就意味着“厚度”为3，所以这个卷积核也是三层。接下来计算第一个通道和卷积核对应第一层的卷积，同样的，计算第二、三个通道和卷积核对应第二、三层的卷积，卷积就是矩阵对应元素相乘之后再相加。最后这三个结果相加，在加上偏置，作为输出。如下图：
如果再多一个卷积核，就再重复一次上边的运算，最后的输出加一层，“厚度”变为2。
卷积神经网络的反向传播：
首先回顾一下一般的前馈神经网络的反向传播：
详细内容可参看：神经网络基础和反向传播推导
1，CNN的前向传播
a）对于卷积层，卷积核与输入矩阵对应位置求积再求和，作为输出矩阵对应位置的值。如果输入矩阵inputX为M*N大小，卷积核为a*b大小，那么输出Y为（M-a 1）*（N-b 1）大小。
b）对于池化层，按照池化标准把输入张量缩小。 c）对于全连接层，按照普通网络的前向传播计算。
2，CNN反向传播的不同之处：
首先要注意的是，一般神经网络中每一层输入输出a,z都只是一个向量，而CNN中的a,z是一个三维张量，即由若干个输入的子矩阵组成。其次：
- 池化层没有激活函数。这个问题倒比较好解决，我们可以令池化层的激活函数为σ(z)=z，即激活后就是自己本身。这样池化层激活函数的导数为1。
- 池化层在前向传播的时候，对输入进行了压缩，那么我们向前反向推导上一层的误差时，需要做upsample处理。
- 卷积层是通过张量卷积，或者说若干个矩阵卷积求和而得到当前层的输出，这和一般的网络直接进行矩阵乘法得到当前层的输出不同。这样在卷积层反向传播的时候，上一层误差的递推计算方法肯定有所不同。
- 对于卷积层，由于W使用的运算是卷积，那么由该层误差推导出该层的所有卷积核的W,b的方式也不同。
由于卷积层可以有多个卷积核，各个卷积核的处理方法是完全相同且独立的，为了简化算法公式的复杂度，我们下面提到卷积核都是卷积层中若干卷积核中的一个。接下来看具体的CNN反向传播步骤。
3，已知池化层的误差，反向推导上一隐藏层的误差
在前向传播时，池化层我们会用MAX或者Average对输入进行池化，池化的区域大小已知。现在我们反过来，要从缩小后区域的误差，还原前一层较大区域的误差。这个过程叫做upsample。假设我们的池化区域大小是2×2。第l层误差的第k个子矩阵 δlk δ^l_k为:
如果池化区域表示为a*a大小，那么我们把上述矩阵上下左右各扩展a-1行和列进行还原：
如果是MAX，假设我们之前在前向传播时记录的最大值位置分别是左上，右下，右上，左下，则转换后的矩阵为：
如果是Average，则进行平均，转换后的矩阵为：
上边这个矩阵就是误差矩阵经过upsample之后的矩阵，那么，由后一层误差推导出前一层误差的公式为：
上式和普通网络的反向推导误差很类似：
可以看到，只有第一项不同。
4，已知卷积层的误差，反向推导上一隐藏层的误差
公式如下：
我们再看一次普通网络的反向推导误差的公式：
可以看到区别在于，下一层的权重w的转置操作，变成了旋转180度的操作，也就是上下翻转一次，左右再翻转一次，这其实就是“卷积”一词的意义（我们可简单理解为数学上的trick），可参考下图，Q是下一层的误差，周围补0方便计算，W是180度翻转后的卷积核，P是W和Q做卷积的结果：
5，已知卷积层的误差，推导该层的W,b的梯度
经过以上各步骤，我们已经算出每一层的误差了，那么： a）对于全连接层，可以按照普通网络的反向传播算法求该层W,b的梯度。 b）对于池化层，它并没有W,b,也不用求W,b的梯度。 c）只有卷积层的W,b需要求出，先看w：
再对比一下普通网络的求w梯度的公式，发现区别在于，对前一层的输出做翻转180度的操作：
而对于b,则稍微有些特殊，因为在CNN中，误差δ是三维张量，而b只是一个向量，不能像普通网络中那样直接和误差δ相等。通常的做法是将误差δ的各个子矩阵的项分别求和，得到一个误差向量，即为b的梯度：
本文内容来自： 1，Michael Nielsen的《Neural Networks and Deep Learning》中文翻译 2，http://www.cnblogs.com/pinard/p/6494810.html 3，http://blog.csdn.net/yunpiao123456/article/details/52437794
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/136468.html原文链接：https://javaforall.cn
