Python卷积神经网络提取特征 卷积神经网络 特征提取

卷积神经网络的基本思想

卷积神经网络的基本结构

卷积神经网络是一种多层的、前馈型网络。从结构上，可以分为特征提取阶段和分类识别阶段。

在特征提取阶段，通常由多个特征层堆叠而成，每个特征层又由卷积层和池化层组成。

处于网络前端的特征层，用来捕捉图像局部细节信息，而后面的特征层则用来捕捉图像中更加抽象的信息。

在分类识别阶段，通常是一个简单的分类器，例如全连接网络或支持向量机，它接收最后一个特征层的输出，完成分类和识别。

特征提取阶段

卷积层

卷积层也叫做特征提取层，使用卷积核来提取图像中的特征。

要注意的是，这里的卷积运算是有偏置项的，一个卷积核在整张图片上提取到的特征构成特征图，在一个卷积层中，往往包含多个卷积核，用来提取图像中的不同特征。

每个卷积核都输出一张特征图，在卷积核之后，一般会定义一个激活函数，卷积神经网络通常使用 Relu 神经网络作为激活函数，在实际任务中，也可能会使用其他激活函数，或者不使用激活函数。

池化层

池化层也叫做特征映射层

池化是一种下采样运算，可以在减少数据的处理量的同时，保留有用的信息。

例如，图片尺寸为 6 x 6 ，

对其进行最大池化，池化模板为 2 x 2 ，步长为 2 。就是把它按照 2 x 2 的小区域进行分块，

然后取每个块中的最大值作为合并后的像素值。

采用 n x n 的池化模板进行步长为 n 的池化操作就是对这个图像进行下采样，把它的尺寸减少到 1/n 。例如，下图为 MNIST 手写数字数据集中的手写数字图片，

对他们进行最大池化，得到的结果图片是 7 x 7 的，

可以看到，最大池化就是在缩小图像的同时，对每个块中最亮的像素采样，可以得到图像的主要轮廓。因此，池化相当于又进行了一次特征提取，从而更进一步获取更高层、更抽象的信息。使得网络能够对输入的微小变化（例如少量的平移、旋转以及缩放等） 产生更大的容忍，从而提高了泛化性，防止过拟合。在网络前端的卷积层中，每个神经元只连接输入图像中很小的一个范围，感受也比较小，能够捕获图像中局部细节的信息。

而经过多层卷积层和池化层的堆叠后，后面的卷积层中，神经元的感受也逐层加大，可以捕获图像中更高层、更抽象的信息，从而得到图像在各个不同尺度上的抽象表示 。除了最大池化，还有一些其他的池化方法，如下图所示。

池化层在卷积神经网络中并不是一个必须的组件，在目前一些新的卷积网络中，就没有池化层的出现。

卷积神经网络是一种监督学习的神经网络，训练过程与传统的人工神经网络相似。首先，从训练集中取出样本输入网络，经过逐级变换，传送到输出层。

计算输出层与样本标签之间的误差，然后反向传播误差，采用梯度下降法更新权值，最小化损失，反复迭代，在网络收敛并达到预期的精度后，结束训练。最后保存训练好的模型参数，以后就可以直接使用来进行分类了。