精选 | 一张动图看懂卷积神经网络之卷积计算层

前言

卷积神经网络在深度学习领域是一个很重要的概念，是入门深度学习必须搞懂的内容。本文是一片深度学习课程笔记的节选，原作者根据七月在线寒老师讲授的深度学习课程内容所写，有兴趣阅读全文的读者可直接点击文末『阅读原文』。

CNN图像识别的关键——卷积

    当我们给定一个"X"的图案，计算机怎么识别这个图案就是“X”呢？一个可能的办法就是计算机存储一张标准的“X”图案，然后把需要识别的未知图案跟标准"X"图案进行比对，如果二者一致，则判定未知图案即是一个"X"图案。

    而且即便未知图案可能有一些平移或稍稍变形，依然能辨别出它是一个X图案。如此，CNN是把未知图案和标准X图案一个局部一个局部的对比，如下图所示

未知图案的局部和标准X图案的局部一个一个比对时的计算过程，便是卷积操作

什么是卷积

    对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。

    非严格意义上来讲，下图中红框框起来的部分便可以理解为一个滤波器，即带着一组固定权重的神经元。多个滤波器叠加便成了卷积层。

    比如下图中，图中左边部分是原始输入数据，图中中间部分是滤波器filter，图中右边是输出的新的二维数据。

    将上图中左边的Source pixel与中间Converlution kernel对应做内积，其具体计算过程则是：4*0 + 0*0 + 0*0 + 0*0 + 0*1 + 0*1 + 0*0 + 0*1 + -4*2 = -8

图像上的卷积

    在下图对应的计算过程中，输入是一定区域大小(width*height)的数据，和滤波器filter（带着一组固定权重的神经元）做内积后等到新的二维数据。

    具体来说，左边是图像输入，中间部分就是滤波器filter（带着一组固定权重的神经元），不同的滤波器filter会得到不同的输出数据，比如颜色深浅、轮廓。相当于如果想提取图像的不同特征，则用不同的滤波器filter，提取想要的关于图像的特定信息：颜色深浅或轮廓。

一张动图详解卷积操作

    在CNN中，滤波器filter（带着一组固定权重的神经元）对局部输入数据进行卷积计算。每计算完一个数据窗口内的局部数据后，数据窗口不断平移滑动，直到计算完所有数据。这个过程中，有这么几个参数： 

　　深度-depth：神经元个数，决定输出的depth厚度。同时代表滤波器个数。

       步长-stride：决定滑动多少步可以到边缘。

       填充值-zero-padding：在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑倒末尾位置，通俗地讲就是为了总长能被步长整除。 

笔者根据cs231n的卷积动图依次截取了18张图，然后用一gif 制图工具制作了一gif 动态卷积图：

上图可以看到如下几个参数：

• 两个神经元，即depth=2，意味着有两个滤波器。

• 数据窗口每次移动两个步长取3*3的局部数据，取stride=2。

• zero-padding=1。

    然后分别以两个滤波器filter为轴滑动数组进行卷积计算，得到两组不同的结果。

    结合上文的内容后，理解这个动图已经不是很困难的事情：

• 左边是输入（7*7*3中，7*7代表图像的像素/长宽，3代表R、G、B 三个颜色通道）

• 中间部分是两个不同的滤波器Filter w0、Filter w1

• 最右边则是两个不同的输出

• 随着左边数据窗口的平移滑动，滤波器Filter w0 / Filter w1对不同的局部数据进行卷积计算。

    如果初看这张图，可能不一定能立即在头脑中构造出卷积神经网络的具体执行过程，为帮助广大同学更好的入门和学习DL，七月在线去年已开两期DL课程，本第三期课程将在前两期基础上强力升级，且特邀BAT等一线名师专门直播答疑（网上视频很多，但如果没人帮你解决问题、答疑辅导，看再多视频也是迷迷糊糊、不成体系），更新增GAN等最前沿的知识。

作为最适合入门和掌握DL的王牌课程，只需五个周末，让你摸清深度学习的前世今生——

第一周 夯实DL必备基础
第1课 夯实深度学习数据基础（管）
1. 必要的微积分、概率统计基础
2. 必要的矩阵、凸优化基础
3. 实战：numpy与高效计算
第2课 DNN与混合网络：google Wide&Deep（寒）
1. 多分类softmax与交叉熵损失
2. 人工神经网络与BP+SGD优化
3. 实战：数据非线性切分+google wide&deep 模型实现分类

第二周 从CNN入手，掌握主流DL框架
第3课 CNN:从AlexNet到ResNet（寒）
1. 卷积神经网络层级结构详解，可视化理解
2. 典型卷积神经网络结构(AlexNet,VGG,GoogLeNet,ResNet)讲解
3. 实战：搭建CNN完成图像分类示例
第4课 NN框架：caffe, tensorflow与pytorch（寒）
1. Caffe的便捷图像应用
2. TensorFlow与搭积木一样方便的Keras
3. facebook的新秀pytorch
4. 实战：用几大框架完成DNN与CNN网络搭建与分类

第三周 CNN延伸：物体检测与图像生成
第5课 图像物体检测与风格变化（加）
1. 物体检测方法(Rcnn，Fast-rcnn，Faster-rcnn，R-FCN)
2. 秒变文艺：neural style将照片转换成大师佳作
3. 实战：R-FCN实验代码讲解，neural-style与fast neural-style代码讲解
第6课 造出你要的视界：生成对抗网络GAN（寒）
1. 无监督学习与图像生成
2. 生成对抗网络与原理
3. 实战：DCGAN图像生成

第四周 掌握自然语言处理中的神经网络
第7课 RNN/LSTM/Grid LSTM（寒）
1. 序列数据与循环神经网络
2. RNN/LSTM/Grid LSTM
3. 实战：RNN文本分类
第8课 RNN条件生成与attention（寒）
1. RNN条件生成与attention
2. “看图说话”原理
3. google神经网络翻译系统

第五周 迁移学习与增强学习
第9课 深度学习中的迁移学习（寒）
1. 迁移学习的不同任务
2. Fine-tune，保守训练，层转移，多任务学习
3. 领域对抗训练
第10课 增强学习与Deep Q Network（寒）
1. 马尔科夫决策过程
2. 价值函数与策略评价、学习
3. Deep Q network
4. 实战：用Tensorflow搭建Deep Q learning玩Flappy bird

---

**

是不是心动了？

现在只要拼团就可以299学习整套深度学习课程啦

还有免费GPU可以用哦

转发图片到朋友圈

还可以领取更多GPU使用时长

**

---