第3章 卷积神经网络

卷积神经网络被广泛用于处理图像识别和分类问题，在大型图像的处理方面有出色的表现。与全连接神经网络和循环神经网络相比，卷积神经网络使用卷积运算代替一般的矩阵乘法运算，因此在图像数据处理领域更具优势。

在第2章中，我们介绍了全连接神经网络，如图3.1所示。在本章中，我们将介绍卷积神经网络，如图3.2所示。在本质上，全连接神经网络和卷积神经网络的结构非常相似，都是由相邻的层构成的，且相邻层内的神经元节点都相连。它们的不同之处在于：在全连接网络中，前一层的每个节点都会与后一层的所有节点相连；在卷积神经网络中，相邻层之间只有部分节点相连。

图3.1 全连接神经网络

图3.2 卷积神经网络

在处理图像时使用卷积神经网络的原因，也恰恰在于卷积神经网络中只有部分节点相连。如果使用全连接网络对图像进行处理，会因为参数过多而出现计算速度慢、过拟合等问题。例如，第一个隐藏层中有400个节点，一幅图像的大小为32×32×3（3表示每个像素有R、G、B三个通道），那么仅输入就有3072个，而网格结构是全连接的，在第一个隐藏层中就有3072×400+400=1229200个参数——运算量巨大。

卷积神经网络是通过卷积来模拟特征，然后通过卷积的权值共享及池化操作来降低网络参数的数量级的。一个完整的卷积神经网络，通常包含输入层、卷积层、激活层、池化层和全连接层，针对图像分割和图像增强等应用，还可能包含反卷积层。在第2章中，已经对激活函数和全连接等操作进行了详细介绍。在本章中，将主要介绍卷积、池化、反卷积及典型的卷积神经网络实例。