卷积神经网络CNN
1，有效的利用了图像的空间信息/局部感受野
全连接神经网络中的神经是由铺平后的所有像素计算决定。 由于计算时是把图像的所有像素拉成了一条线，因此在拉伸的同时也损失了图像像素之间固有的空间信息。
卷积层中的神经只由5x5x3(假设filter的尺寸为5x5x3)个像素的计算结构决定，即，由图像的一部分决定。 这样一来也就保持了图像原有的空间信息，卷积层的这一特性也被城之称局部感受野。
局部感受野这一特性来自于一个早期的关于猫咪的实验（以下介绍引自参考文献1）：
“故事得回到20世纪60年代初，哈佛大学两位神经生物学家休伯尔David Hubel和威泽尔Torsten Wiesel，作了一个有趣的猫咪实验，见图1。他们使用幻灯机向猫展示特定的模式，然后记录猫脑中各个神经元的电活动[1]。他们发现特定的模式刺激了猫咪大脑特定部位的活动。正因为他们在视觉信息处理方面的杰出贡献，荣获了1981年诺贝尔生理学或医学奖。
哈佛学者的实验证明，视觉特征在大脑皮层的反应是通过不同的细胞达成的。其中，简单细胞（Simple Cell）感知光照信息，复杂细胞（Complex Cell）感知运动信息。到了1980年前后，日本科学家福岛邦彦受猫咪生物实验的启发，模拟生物视觉系统并提出了一种层级化的多层人工神经网络，即“神经认知”系统，这是现今卷积神经网络的前身。在论文中，福岛邦彦提出了一个包含卷积层、池化层的神经网络结构。
福岛老爷爷今年已经88岁了，5年前他还发表了神经网络方面的研究论文。”
简单来说就是就猫的神经系统而言，例如猫的大脑。当猫看到某些物体物体时，大脑中只有一部分会产生特别强烈的响应。比如说，当猫看到球形时，在猫的大脑的左上角的某块区域会产生特别强烈的响应，但其他地方则无反应。当猫猫看到三角形时，大脑的右下角某块区域又会产生特别强烈的响应，等等。
如果再把这个实验结果和我们的全连接神经网络VS卷积神经网络来类比的话。卷积神经网络对不同事物的反映就好比是猫的大脑，是分区域响应的。而，如果猫的大脑使用的全连接神经网络模型的话，那么不论看到什么事物，猫的整个大脑都会同时产生响应。
2，卷积层的一些性质
2，1 卷积后activation map的尺寸
对于全连接神经网络而言，计算所产的神经元的个数等于class num。
对于卷积层而言，计算所产生的神经元的个数等于卷积运算后的图像尺寸。
2，2 有几个filter，卷积运算的结果就有几层。
下面的例子中输入图像是一个32x32x3的卡车，filter的尺寸为5x5x3，总共使用了16个不同的filter，产生了16层activation map。
2，3 bias偏置项
每个卷积层对应一个bias，因此有多少个filter就应该有多少个bias.
3，Pooling layer
池化即down-sample，也就是对输入数据进行下采样，经过下采样的数据长宽各缩减为原来的一半。一般常用的池化方式是max pooling。下采样的作用有二：
1，同时在水平和竖直两个方向缩小数据尺寸，节省空间
2，维持原始数据的空间不变性，即，下采样不会引入空间信息的变化。
4，CNN的大致框架结构
举个例子：
现有结构如下的CNN网络：input==>Conv==>ReLU==>Pool==>Conv==>ReLU==>Pool==>Conv==>ReLU==>Pool==>FC+softmax(以及在全连接层的最后一层后接softmax激活函数的FC神经网络)
（例如，在图像分类任务中，网络的最后一层可能是一个全连接层，其神经元数量等于类别数量。然后，通过softmax函数将这些神经元的输出值转换为概率分布，该网络用于预测输入图像属于每个类别的概率）
头三层：
中间三层：
最后三层：
fc+softmax:
（全文完）
--- 作者，松下J27
参考文献(鸣谢)：
1，猫咪怎样启发了人工神经网络的诞生？
2，Stanford University CS231n: Deep Learning for Computer Vision
3，ConvNetJS CIFAR-10 demo
（配图与本文无关）
版权声明：所有的笔记，可能来自很多不同的网站和说明，在此没法一一列出，如有侵权，请告知，立即删除。欢迎大家转载，但是，如果有人引用或者COPY我的文章，必须在你的文章中注明你所使用的图片或者文字来自于我的文章，否则，侵权必究。 ----松下J27
 -- SOCKET : Unix domain)
)
 和 Spring Cloud 的区别)
