深度学习笔记04：卷积神经网络基础与经典模型

"这篇DL笔记主要介绍了CNN的基础知识和几个经典的CNN模型，包括LeNet、AlexNet、VGG、NiN以及GoogLeNet。在CNN基础部分，讲解了二维互相关运算、二维卷积层、特征图、感受野、填充、步幅以及池化层等核心概念。" 在深度学习领域，卷积神经网络（CNN）是一种特别适用于图像处理的模型，它的设计灵感来源于生物视觉系统。以下是对这些核心概念的详细解释： 1. **二维互相关运算**：这是CNN的基础运算，类似于卷积，但不完全相同。卷积核在输入数据上滑动，每个位置的乘积和构成了输出数组对应位置的值。互相关运算在图像处理中用于检测特定特征。 2. **二维卷积层**：卷积层是CNN的核心组成部分，它通过应用卷积核来提取输入图像的特征。卷积层的参数包括卷积核和偏置项，其输出称为特征图，反映了输入图像的特定模式。 3. **特征图（Feature Map）**：由卷积层产生的二维输出，代表了输入图像在特定层次的特征表示。 4. **感受野（Receptive Field）**：单个特征图上的一个像素对应于输入图像中的一个区域，这个区域就是该像素的感受野。感受野的大小影响着特征检测的范围。 5. **填充（Padding）**：为了保持输出尺寸不变或增加模型的表征能力，会在输入图像边缘添加零值，即填充。这有助于避免特征检测时丢失边缘信息。 6. **步幅（Stride）**：卷积核在输入图像上移动的步长，决定了输出特征图的分辨率。 7. **池化层（Pooling Layer）**：池化操作用于减少计算量和参数数量，同时保持模型的泛化能力。最大池化选取窗口内的最大值，平均池化则取平均值。 8. **输出空间尺寸计算**：卷积层或池化层的输出尺寸可以通过公式计算，涉及到输入高度和宽度、卷积核尺寸、填充和步幅。 接下来，文章提到的经典CNN模型包括： - **LeNet**：由Yann LeCun等人提出的早期CNN模型，主要用于手写数字识别，包含卷积层、池化层和全连接层。 - **AlexNet**：2012年ILSVRC比赛的冠军模型，由Alex Krizhevsky等人设计，首次证明了深度CNN在大规模图像分类任务上的优越性能。 - **VGG**：由Karen Simonyan和Andrew Zisserman提出的模型，以深而薄的网络结构（多层3x3卷积）著称，提高了特征提取的效率。 - **NiN (Network in Network)**：由Min Lin、Qiang Chen和Shuicheng Yan提出，引入了微网络结构增强特征学习，提高了模型的表达能力。 - **GoogLeNet (Inception Network)**：由Google团队开发，以Inception模块为核心，通过并行结构和多尺度信息处理，减少了参数数量，提升了性能。 这些模型的发展推动了CNN在图像识别、物体检测、语义分割等领域的广泛应用，并为后来的深度学习模型奠定了基础。了解这些基础知识和经典模型对于深入理解CNN的工作原理及其在现代AI系统中的作用至关重要。