（注：以下截圖均來(lái)自臺(tái)灣大學(xué)李宏毅老師的課程PPT）
指路視頻：https://www.bilibili.com/video/BV1JE411g7XF?p=17
博主剛接觸CNN不久爽雄，本篇算是自己看了李宏毅老師CNN課程視頻的學(xué)習(xí)記錄吧，基本流程就沒(méi)怎么寫了，主要是自己看完視頻解決的疑惑浑吟。下列表述如有錯(cuò)誤的妹田，歡迎大家指正垦缅！
問(wèn)題一：CNN中的卷積核是怎么設(shè)置的确憨？為什么国撵？
聯(lián)想空間濾波器遍歷全圖實(shí)現(xiàn)濾波效果的過(guò)程蹈丸，模板（卷積核）相當(dāng)于一個(gè)系統(tǒng)的沖激響應(yīng)成黄，作用于不同的像素點(diǎn)（輸入）會(huì)有不同的輸出（內(nèi)積值）。而在此處逻杖，如右圖所示的Filter-1, 其只有主對(duì)角線上的值全為1奋岁，目的是為了檢測(cè)有沒(méi)有主對(duì)角線這樣的一個(gè)特征，如果有的話荸百，如圖中放置在第一個(gè)位置闻伶，得到的內(nèi)積為1×1+1×1+1×1=3，3也是該卷積核遍歷過(guò)程中所能得到的最大內(nèi)積值（因?yàn)橹灰渌恢糜袛?shù)值够话，根據(jù)Filter-1的設(shè)置蓝翰，就會(huì)減去一定的值，這樣總值必然會(huì)比3信啊）畜份。這也就驗(yàn)證了“長(zhǎng)得越像，內(nèi)積越大”的道理欣尼。這樣就能檢測(cè)出特征（此處為主對(duì)角線）了爆雹。對(duì)于其他特征卷積核的設(shè)計(jì)也是一樣的道理。
該圖檢測(cè)的是另一個(gè)特征媒至，最大值3出現(xiàn)在右下角顶别，這樣就說(shuō)明在右下角處有存在這個(gè)卷積核（垂直線）的特征。卷積之后得到的新矩陣也稱為Feature Map（特征圖）拒啰，通過(guò)Feature Map我們可以知道該圖像具有的特征及其所在位置驯绎。一個(gè)卷積核對(duì)原圖進(jìn)行遍歷可以得到一個(gè)特征圖，如果有100個(gè)卷積核則可以得到100個(gè)特征圖谋旦。
對(duì)于多通道的圖像剩失，其遍歷的卷積核的通道數(shù)也要和圖像的通道數(shù)一樣屈尼，但是每一層卷積核矩陣值的設(shè)計(jì)都是一樣的，因?yàn)椴煌ǖ乐皇谴淼念伾煌┕拢涮卣鬟€是不變的脾歧，所以如上圖，要檢測(cè)的是垂直的直線演熟，每一層的矩陣值（上圖三通道 有三層）都是一樣的鞭执。（特征矩陣是固定的）。而在遍歷的時(shí)候芒粹，就是每一層的內(nèi)積相加作為該位置的值兄纺。
這里有一個(gè)還未明白的問(wèn)題，就是第一層卷積的意義按照上面的解釋是可以理解的化漆，但是第二層卷積第三層卷積呢估脆，在之前特征圖上繼續(xù)做操作，這里還是不太理解座云。
問(wèn)題二：如何理解卷積層和全連接層的關(guān)系
簡(jiǎn)單來(lái)說(shuō)疙赠，在CNN中，卷積層負(fù)責(zé)把圖像的特征提取出來(lái)朦拖，然后把這些特征輸送到全連接層進(jìn)行圃阳，通過(guò)全連接層不斷地強(qiáng)化特征最終可以得到該圖像物體所屬的類別。這里不得不再次感嘆李宏毅老師講的是真的好贞谓，老師說(shuō)限佩，其實(shí)卷積層就是丟了某些參數(shù)的全連接層的一部分葵诈。
如上圖裸弦，將尺寸為6×6的圖像像素展開（flatten）為一維向量，根據(jù)求內(nèi)積的過(guò)程可知作喘，每一個(gè)像素點(diǎn)都乘了卷積核中對(duì)應(yīng)位置的參數(shù)理疙，最終相加得到第一個(gè)神經(jīng)元的值——3.而卷積核的參數(shù)不就是全連接網(wǎng)絡(luò)中每條連接線的參數(shù)嗎。只不過(guò)對(duì)于這個(gè)過(guò)程泞坦，并不是“全連接”窖贤，第一個(gè)神經(jīng)元其實(shí)只連接到9個(gè)像素點(diǎn)。所以說(shuō)卷積層就是丟了某些參數(shù)的全連接層的一部分贰锁。此外赃梧，原本在全連接層中每個(gè)神經(jīng)元都會(huì)有獨(dú)立的權(quán)值，但是在這里豌熄，不同的神經(jīng)元共享權(quán)值授嘀。如下圖所示，第二個(gè)神經(jīng)元的值也是用剛才的一組權(quán)值得到的锣险。
圖記：
卷積網(wǎng)絡(luò)輸出特征圖蹄皱，然后flatten之后輸入全連接網(wǎng)絡(luò)
CNN用Keras實(shí)現(xiàn)流程及對(duì)應(yīng)代碼
圖解：
第一次卷積：25個(gè)卷積核 每個(gè)卷積核3×3览闰，輸入圖片大小1個(gè)通道，尺寸是28×28
第一次池化：表示每2×2的塊作為一個(gè)“池”合并為一個(gè)值
第二次卷積：50個(gè)卷積核巷折，每個(gè)卷積核3×3压鉴，（系統(tǒng)會(huì)自動(dòng)補(bǔ)上通道數(shù)，不需特地說(shuō)明锻拘，此時(shí)的通道已經(jīng)變成25了）
第二次池化：表示每2*2的塊作為一個(gè)“池”合并為一個(gè)值
第一次只有一個(gè)通道油吭，所以參數(shù)數(shù)為3×3×1=9
第二次輸入圖像有25個(gè)通道，所以參數(shù)數(shù)為3×3×25=225
對(duì)于這個(gè)視頻署拟，我在復(fù)習(xí)的時(shí)候搞明白了上面的這些點(diǎn)上鞠。對(duì)于CNN的全過(guò)程還有一些沒(méi)有完全理解的，不過(guò)今天就先記到這里吧芯丧，還是得再去看看李宏毅老師的課芍阎。
有什么表述有誤的，請(qǐng)大家多多指正缨恒！
