机器学习小入门（二）

emm，，，，妈耶！！！为什么刚刚没保存!!!

第二次码这个推文！

新年快乐！过什么情人节，情人节还是码推文有意思。

今天介绍CNN

上图是一个全连接神经网络（BP神经网络），这个网络的变量参数有

[(28*28*1+500)*500+500]*500+10 ≈3.2亿,太多了，故我们要引进CNN，而且CNN 的准确率可以达到99%

好了，放图

这个就是CNN的精髓了，如果输入像素的深度是1，比如灰色图像，那么卷积核深度也是1.当深度变为3时，比如说彩色图片，相当于有3层像素矩阵，对应的卷积核也就变为了3层的，最后还是求和。

其实CNN卷积核就相当于一个滤波器，用不同的卷积核就可以提取到不同的像素值，对应的就是这幅图片的特征值。

这个时候你就会想起东哥说的一句话，其实ps滤镜就是个卷积函数，咦这里有什么联系吗？？

当然有，什么是卷积函数，定义：卷积是一种积分变换的数学方法，是通过两个函数f和g 生成第三个函数的算子。 s（t）=（x*w）（t） 在变量连续时为积分，离散时为求和。对应到这里便是对应图片中的每个像素点，计算它的领域像素和滤波器矩阵的对应位置元素的乘积，然后将所有的乘积累加，作为该像素位置的输出值。卷积核依次划过图片中的每一个像素的位置，就可以输出一张分辨率不变的新图片。然后图片就变成 其他样子，这便是图片加滤镜后的结果。

接着在介绍一下池化层

池化的作用是对图像的上采样与下采样，上采样是增加图像的参照值，从而获取图片更多的信息，类似于放大图片(像素允许的情况下)下采样是缩小图像尺寸，忽略细微差距，提高训练速度与效率

常用的池化处理有两种：最大池化与均值池化

如下图就是最大池化的计算过程

我们可以将下图的池化想象为一个2*2空核，步长为2，其中包含if语句用于筛选出当前空核所覆盖的区域最大值并输出。关于均值池化就是计算空核所覆盖区域的平均值并进行输出

最后放一个经典的CNN模型

它有两个卷积层（5*5），两个池化层（2*2），然后最后是3个全连接神经网络。

好了码完了，本文没有设计到代码以及其他的详细讲解，但是对机器学习的小入门我觉得就就够了，如果大家想深入了解，可以去百度，详细的比较多！

祝大家新年快乐，还有今天的情人节快乐

也欢迎大家看看我以前写的小知识点

谢谢阅读