臺大李巨集毅--CNN
阿新 • • 發佈：2019-01-01
CNN與普通深度學習（全網路連線 ）的很大區別就是：CNN是關注圖片的一小部分，一小部分的。而普通深度學習是把影象的每一個畫素全部拉長，都作為輸入。
一：CNN整體流程
1. CNN – Convolution
CNN 的Convolution與 普通DNN （Fully Connected ）的異同
**由上面的三個圖可以看見，CNN的卷積過程，其實就是 普通DNN 訓練模型的過程。
不同點是：
1. 若把CNN的卷積理解DNN，那麼訓練時，相當於每次僅僅選出
個輸入元素，而普通DNN一般是
個輸入元素（即所有輸入元素都用）。
（這裡n是Filter矩陣的維度，m是輸入的image矩陣的維度）
2. 若把CNN的卷積理解DNN，那麼DNN有很多的權重值都要保持一致（即是共享的）。如上面最後一張圖。顏色相同的線，就表明那裡的元素要保持一致。**
2. CNN – – Max Pooling
3. CNN – – Flatten
二：CNN程式碼實現
三：為什麼CNN比普通DNN（Fully Connected）要好
1. 引數少
根據是上面已經講解的內容，CNN其實可以理解為是：簡化版本的DNN（Fully Connected）
但是CNN的不同點就在於，
1. CNN的引數少
如上圖，下一層一個神經元其實只取上一層的
個神經元（n是Filter的行數），而DNN要使用上一層所有的神經元。(還有其他地方都顯示的CNN引數少)
2. . 下一層每一個神經元之間其實共用的權重（上面已講）
2. 同一內容，只用一個神經元處理即可。哪怕在圖片中，該內容在其他地方。The same patterns appear in different regions.
3. Subsampling the pixels will not change the object
4. Some patterns are much smaller than the whole image
考慮每個神經元主要對影象哪方面進行分類？（Which image make the a specific neuron active?）
- 對於第一層神經元，可以直接觀察它對每一個影象的選擇，就可以確定出該神經元偏好於哪方面的影象。
- 對於高層的神經元
