卷积算法归纳总结(浅识）

归纳卷积神经网络的常用算法
在卷积算法之前，是有很多图片分类和识别的机器学习算法，像SVM向量机的原理特别复杂，卷积算法还是比较易懂，一方面避免全连接带来的庞大参数，主要通过提取特征值，算法准确率也是最高的，几乎可以跟人工识别相提并论了。

经典算法：

1，LeNet算法：

LeNet算法的流程是：

Input –>conv2->relu->pool->conv2->relu->pool->CF->softmax->output

Input:输入; 矩阵为(w,h,c)  w:宽的像素；h:高的像素；c：通道

Conv:卷积计算

卷积就是把一个图层（w,h）

Conv2：表示二维图的卷积

一个图层可能是64*64,通过W过滤层为(6,6) 通常有多个过滤层，输出层为矩阵维度为64-6+1=59 ，即（59,59）

以下面的图简单为例：

Pool：是池化操作，可能翻译原因表述不一样，池化层是单层的，池化层分为最大值池化和平均值池化；其实，也就是提取特征值最明显的值，最大值池化的效果相对来说更好，所以建议使用。

FC：也就是全连接了，即WX+b=Y

Softmax：归一化的处理，分类

在conv2到pool过程中，还有一层no_linear_normal的操作，也是比较难懂，作用似乎没那么大，就被忽略了。

2，AlexNet算法：
其实就是一个leNet的变形，先来看一张图：

大体过程可分为：

Input->conv2->pool->conv2->pool->pool->pool->pool->pool->FC->FC->FC->softmax

当然中间还有一些relu激化函数就略过了，在激活函数前会通过LRN进行局部归一化，减少使用复杂的激化函数。

3，VGG-16 算法：

VGG-16 跟VGG-19算法 主要是在层次多少区别，算法效果差不多，所以一般建议使用VGG-16

VGG算法跟alexNet的最大不同是这个算法重点是conv2卷积多次，达到集中特征收集的目的

==========================================================

高效的算法：
残差算法：ResNet算法

卷积算法，流程都是通过多个过滤器进行特征值提取，中间的过程容易造成层次越多，原始特征丢失越严重，损失函数在逆向优化时梯度下降太快，所以需要加一些特征优化降低这个速度。对于一些神经深度越大的，这种算法越见优势。
首先来一般的神经深度过程：
Input –>linear->rule->linear->relu->a
而resNet是加了一步
Input –>linear->rule->linear->？->relu->a
运算过程：

接下来是：？

不是，这样网络越大，会增加错误几率，所以得保真：

把上上步的a[L] 拿过来加进去求激活函数，这样就能保真。再看一张图：

 

总体的流程如图：

这不是真正的跳跃，而是把原先的a值拿来求激活函数。

 

Inception network 算法
其实是谷歌的一个卷积算法 googleNet，这个算法真的比较负责，当然他的深度可以很深，也可以通过增加卷积的conv2的层次，识别一张图片里的多个事物；首先，我们先来一张图：

Previous layer是前一层 激活函数之后的
然后进行conv2或者pool进行，然后把各个层的卷积组成一个大的卷积。
有辅助卷积是可以识别出更多的物体。

FaceNet算法 是人物识别

人物识别通常可用于监控，或者关卡或者上班的脸谱识别，通过卷积然后根据卷积后的CF后的特征计算误差；通常会需要某个人物的十多张图片作为训练，然后再找其他的图片作为对比。

自己本人图片的计算误差小于等于跟他人图片的误差

这里只是作为学习的一个总结,具体实现要leNet-5,googleNet,inception Network, faceNet等关键词去githup搜索相应的开源代码去研究；这些都是开源出来的，至少你可以查到他的论文，不过几乎都是英文。这才原汁原味。

 

参考：吴恩达视频教程