文档介绍：CNN(卷积神经网络)
目录
Contents
1. 神经网络计算
2. 卷积神经网络
3. CNN实现(tensorflow)
目录
Contents
1. 神经网络计算
是由于卷积神经网络具有以下三个特性：权值共享，多卷积核，池化．
CNN多通道和多卷积核
请在这里输入论文答辩的标题
20XX-08-03
CS231N
CNN中基于权值共享的多卷积核算法
卷积的矩阵转换
请在这里输入论文答辩的标题
20XX-08-03
感受野和卷积核是卷积运算的一种特殊设定和直观表示，卷积核和感受野之间的卷积运算使用向量矩阵的形式实现，提高了计算效率．
卷积的矩阵运算形式(im2txt)
CNN 特性－池化
ＣＮＮ池化过程
卷积神经网络池化有最大池化(max_pool)和平均池化(avg_pool)，顾名思义，最大池化取区域内最大值，平均池化取区域内平均值．其它池化包括L 2 范数以及依靠据中心像素距离的加权平均池化．
CNN 特性－池化
为什么要池化？
１．减少参数的量，提高计算效率．
２．最大池化能显著增强局部特征，平均池化可减少噪声．
（最大池化提取轮廓特征，平均池化可模糊图像）
３．提高局部平移不变性．(不考虑空间，时间位置．－张民）
局部平移不变性是一个很重要的性质,尤其是当我们关心某个特征是否出现而不关心它出现的具体位置时，这对于图像中的目标检测至关重要，同时，在图像识别中，同一类别的图像往往会有细微的差别，局部平移不变性大大提高了图像分类的准确度．
CNN 特性－局部平移不变性
为什么最大池化能做到？
上图下半部分的输入像素向右平移一个单位，下图对应位置像素值全部改变，若对输入像素做池化处理，当原始像素平移一个单位后，只有一半的像素值改变．
CNN 特性－局部平移不变性
学****不变性的示例。使用分离的参数学得多个特征,再使用池化单元进行池化,可以学得对输入的某些变换的不变性。这里我们展示了用三个学得的过滤器(卷积核)和一个最大池化单元可以学得对旋转变换的不变性。这三个过滤器都旨在检测手写的数字 5。每个卷积核尝试匹配稍微不同方向的 5。当输入中出现 5 时,相应的卷积核会匹配它并且在探测单元(激活函数)中引起大的激活。然后,无论哪个探测单元被激活,最大池化单元都具有大的激活。我们在这里展示网络如何处理两个不同的输入,导致两个不同的探测单元被激活。然而对池化单元的影响大致相同。空间位置上的最大池化对于平移是天然不变的;这种多通道方法在学****其他变换时是必要的。
目录
Contents
2. 卷积神经网络
.卷积神经网络和深度学****的历史
. 卷积神经网络的设计和原理
. 卷积神经网络的神经科学基础
卷积神经网络的神经科学基础
卷积网络也许是生物学启发人工只能的最为成功的故事．虽然卷积网络已经被其它领域指导，但是神经网络的一些关键设计原则来自于神经科学．
卷积网络的历史始于David Hubel 和Torsten Wiesel的神经科学实验，为了确定哺乳动物视觉系统如何工作的基本事实，他们观察了猫的脑内神经元如何响应投影在猫前面屏幕上精确位置的图像．
他们发现：处于视觉系统较为前面的神经元对非常特定的光模式(例如精确定向的条纹)反应最强烈，但对其他模式几乎完全没有反应．
卷积神经网络的神经科学基础
图像是由光到达眼睛并刺激视网膜形成的，视网膜的神经元对图像执行一些简单的预处理，但是基本改变它被表示的方式，然后图像通过视神经和脑部区域，这些区域负责将信号从眼睛传递到位于脑后部的主要视觉皮层，它是大脑对视觉输入开始执行显著高级处理的第一个区域(以下简称V1)，卷积网络的设计参考了其对视觉信号处理的三个主要性质：
１．V1具有二维结构来反映视网膜中的图像结构，例如，到达视网膜下半部的光仅影响V1相应的一半．卷积网络通过用二维映射定义特征的方式来实现该特性．(CNN特性：权值共享和局部池化操作）
，简单细胞的活动在某种程度上可以概括为在一个小的空间位置接受域内的图像的线性函数，卷积神经网络不同卷积核的权重与输入的线性求和，模拟了简单细胞对输入信号的处理．
３．V1还包括许多的复杂细胞，这些细胞响应由简单细胞检测的那些特征，但是复杂细胞对于特征位置的微小偏移具有不变性，这启发了网络的池化单元和激活函数．
目录
Contents
3. CNN实现(tensorflow)