人类的视觉原理 _神经

理解 CNN
注意：下面提到的图像指位图
目录实现卷积传播图解不同视角看CNN 参考
CNN
卷积神经网络-CNN 最擅长的就是图片的处理。它受到人类视觉神经系统的启发。
CNN的两大特点：
人类的视觉原理
详见：浅谈人类视觉系统与卷积神经网络（CNN）的联系和区别
深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。
1981 年的诺贝尔医学奖，颁发给了 David Hubel（出生于加拿大的美国神经生物学家）和，以及 Roger。前两位的主要贡献，是“发现了视觉系统的信息处理”，可视皮层是分级的。
人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。下面是人脑进行人脸识别的一个示例：
其实对于我们看不同的物体也是类似的，在最底层基本上是类似的。先是看各种边缘，越往上，就越能提取出此类物体的一些特征（鼻子、眼睛、嘴巴），到最上层，不同的高级特征最终组合成相应的图像，从而能够让人类准确区分不同的物体。这种逐层提取信息的方式就是许多深度学习算法（包括CNN）的灵感来源。
后面我们就来通过对几个层的讲解来对CNN有进一步的了解。
几个关键层
典型的CNN一般由3个部分构成：
卷积层池化层全连接层名称作用简述
卷积层
提取图像特征
池化层
降维、防止过拟合
全连接层
输出结果
卷积层(、)
【人类的视觉原理】在这部分我们来看一下卷积的过程。假设我们要提取出下面这个 5 × 5 5 \times 5 5×5 的矩阵的特征（其实位图图像存储底层就是通过这种矩阵的方式存储的，不过位图一般有r、g、b三层的矩阵信息）。
同时我们定义一个 3 × 3 3 \times 3 3×3的矩阵，在CNN中其实被称作或或。
ok有了前面一个输入矩阵和矩阵的定义，我们可以观察下图看看，是如何对输入矩阵的特征进行提取的。其实很简单，就是每次将中的元素与输入矩阵中的每个元素对应相乘然后累加，得到中的一个元素。

文章插图
针对上述例子的附加解释，顺便讲解一下torch.nn. 的参数：
用例

import torchimport torch.nn as nnd = torch.Tensor(3, 5)conv = nn.Conv1d(in_channels=3,out_channels=2,kernel_size=2,padding=1,stride=2,bias=True,)print(d)print(conv.weight)print(conv(d))"""## Output## 因为torch.nn中设置的卷积核(kernel)内的数据是随机的，运行的时候输出可能会不一样但数据的维度应当是一样的tensor([[4.9592e-39, 4.2246e-39, 1.0286e-38, 1.0653e-38, 1.0194e-38],[8.4490e-39, 1.0469e-38, 9.3674e-39, 9.9184e-39, 8.7245e-39],[9.2755e-39, 8.9082e-39, 9.9184e-39, 8.4490e-39, 9.6429e-39]])Parameter containing:tensor([[[ 0.3349,0.2759],[-0.0143, -0.3235],[-0.2177, -0.0688]],[[ 0.2330,0.3502],[-0.3834, -0.0521],[-0.1585,0.3144]]], requires_grad=True)tensor([[-0.0977, -0.0977, -0.0977],[-0.2637, -0.2637, -0.2637]], grad_fn=)"""

卷积后得到
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img--33)(%E5%8D%B7%E7%A7%%E8%AE%A1%E7%AE%97.png)]
我们可以通过下图的例子进一步理解卷积的过程。
池化层 ()
池化层（）是卷积神经网络中另一个重要的概念，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max ）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。直觉上，这种机制能够有效地原因在于，在发现一个特征之后，它的精确位置远不及它和其它特征的相对位置的关系重要。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。通常来说，CNN的卷积层之间都会周期性地插入池化层。