文章目录

• **Why CNN for Image**
• **The whole CNN**
• • **CNN – Convolution**
  • **CNN – Max Pooling**
  • • • • Convolution + Max Pooling
  • **Flatten**

---

Why CNN for Image

---

当我们直接用一般的fully connected的feedforward network来做图像处理的时候，往往会需要太多的参数

所以，CNN做的事情其实是，来简化这个neural network的架构，根据自己的知识和对图像处理的理解，一开始就把某些实际上用不到的参数给过滤掉

虽然CNN看起来，它的运作比较复杂，但事实上，它的模型比DNN还要更简单，就是用（先验知识）prior knowledge，去把原来fully connected的layer里面的一些参数拿掉，就变成CNN

在影像处理里面，如果在network的第一层hidden layer里，那些neuron要做的事情是侦测有没有一种东西、一种pattern(图案样式)出现，那大部分的pattern其实是比整张image要小的，所以对一个neuron来说，想要侦测有没有某一个pattern出现，它其实并不需要看整张image，只需要看这张image的一小部分，就可以决定这件事情了

每一个neuron其实只要连接到一个小块的区域就好，它不需要连接到整张完整的图，因此也对应着更少的参数

同样的pattern，可能会出现在image的不同部分，但是它们有同样的形状、代表的是同样的含义，因此它们也可以用同样的neuron、同样的参数，被同一个detector检测出来

可以要求这些功能几乎一致的neuron共用一组参数，它们share同一组参数就可以帮助减少总参数的量，即参数共享

利用subsampling这个概念把image变小，从而减少需要用到的参数量

---

The whole CNN

---

卷积神经网络的总体架构

---

CNN – Convolution

---

它侦测的时候，并不会去看整张image，它只看一个3*3范围内的pixel，就可以判断某一个pattern有没有出现，这就考虑了property 1

同一个pattern出现在image左上角的位置和左下角的位置，并不需要用到不同的filter，我们用filter1就可以侦测出来，这就考虑了property 2

Feature Map(特征映射)

卷积和神经网络的联系

---

CNN – Max Pooling

---

Convolution + Max Pooling

---

Flatten

---