CNN卷积神经网络
1. 卷积神经网络的发展历程
1962年，Hubel和Wiesel对猫大脑中的视觉系统的研究，Hubel和Wiesel记录了猫脑中各个神经元的电活动。他们使用幻灯机向猫展示特定的模式，并指出特定的模式刺激了大脑特定部位的活动。这种单神经元记录是当时的一项创新，由Hubel早期发明的特殊记录电极实现，他们通过这些实验系统地创建了视觉皮层的地图。
1980年，日本科学家福岛邦彦在论文《Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffectedby shift in position》提出了一个包含卷积层、池化层的神经网络结构。
1998年，在这个基础上，Yann Lecun在论文《Gradient-Based Learning Applied to Document Recognition》中提出了LeNet-5，将BP算法应用到这个神经网络结构的训练上，就形成了当代卷积神经网络的维形。Yann Lecun最早将CNN用于手写数字识别
CNN的全称是"Convolutional Neural Network"(卷积神经网络)。而神经网络是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结构和功能的数学模型或计算模型。神经网络由大量的人工神经元组成，按不同的连接方式构建不同的网络。CNN是其中的一种，还有GAN(生成对抗网络)，RNN（递归神经网络）等，神经网络能够类似人一样具有简单的决定能力和简单的判断能力，在图像和语音识别方面能够给出更好的结果。
2. 卷积神经网络的应用领域
2.1 分类检系
2.2 目标检测
2.3 图像分割
2.4 无人驾驶
2.5 人脸识别
2.6 其它领域
医学任务、OCR、标识识别等:
3. 卷积神经网络工作原理
基本框架
3.1 卷积层:
主要是用来提取图像数据的特征和学习图像数据的特征表示
卷积层需要定义的参数
填充
步长
卷积核个数
3.2 池化层:
池化是一种down-sampling技术，本质是基于滑动窗口的思想，可以去除特征图中的冗余信息，对卷积层结果压缩的到重要特征，同时还可以有效的控制过拟合。池化一般通过简单的最大值、最小值或平均值操作完成。
3.3 批归一化（Batch Nomarliaztion）:
为了解决层与层之间传输数据，前面层的数据更新，导致后面层数据分布的变化，会产生网络收敛慢，学习速度降低问题。Batch Nomarliaztion简化了计算过程，并保留了原始数据的表达能力。
3.4 激活函数:
使得神经网络拥有能拟合所有非线性函数的本领。
- sigmoid激活函数:通常在二分类任务的输出层中使用
- tanh激活函数:通常用于分类任务的输出层和模型的隐藏层
- ReLU激活函数:常用于回归任务和卷积神经网络的隐藏层
3.5 优化器:
作用：加快学习速度。
momentum动量优化:动量优化考虑更之前步骤的梯度，每一步将动量向量减去局部梯度m，并且将模型权重加上这一动量向量。换言之，梯度用于加速度,而不用于速度。
RMSProp优化器: RMSProp优化器在累计梯度时仅使用最近步骤的，而不是从训练一开始的。
Adam优化器:结合了动量优化和RMSProp的思想。如同动量优化，该算法记录了过往梯度的指数衰减加权平均。如同RMSProp算法，该算法记录了过往梯度平方的指数衰减加权平均
3.6 随机失活dropout方法:
在每个训练步骤中，每个神经元（包括输入神经元，但不包括输出神经元）都有p概率暂时性
被忽略，但在这一步中被忽略的神经元可能在下一步中活跃，如下图所示。超参数p称为dropout概率，通常设为10%到50%。训练结束后，神经元在预测和使用阶段不会被忽略。使用dropout后神经网络的精度能够提升1 -2%。可以防止过拟合。
3.7 全连接层
全连接层:当一层中的神经元与前一层的所有神经元都相连时，该层则称为全连接层（dense layer)。主要作用是将输入图像，在经过卷积和池化操作后提取的特征进行压缩，并且根据压缩的特征完成模型的分类功能。
4. 残差网络
ResNet卷积神经网络结构赢得了2015年的ImageNet图像分类挑战赛，由Kaiming He等人提出，其前五预测错误率达到了3.6%。该结构包含了极其深的卷积层，达到了152层。总体趋势而言，模型变得越来越深，参数变得越来越少。而训练深度网络的关键则是使用跳跃连接(skip connection)，即某一层的输入同时会加入更深层的输出。具体而言，训练神经网络的目标是构造一个目标函数h (x),当把输入x加入网络的输出时，则网络会试图构造 f(x)=h(x)-x而不是h(x),这就称为残差学习。
4.1 残差块
残差块就是有跳跃连接那—部分。
4.2 残差网络
残差网络可以解决当网络非常深时出现的梯度爆炸和梯度消失问题。
4.3残差网络的工作方式
当网络加深时，通过恒等函数可以保证网络性能不受影响，甚至可以提高效率。如果输入和输出有不同的维度，会使用一个1×1的卷积来升高或者降低输入维度
4.4 ResNet-50
残差网络网络结构
ResNet50:第5列,首先有一个7×7×64的卷积，然后经过3+4+6+3=16个残差块,每个块有3个卷积层(如图(3)),所以有16×3=48，最后有一个全连接层（fc)，一共是1+48+1=50层。
参考文献：
https://www.bilibili.com/video/BV1FT4y1E74V?p=66
https://www.bilibili.com/video/BV1FT4y1E74V?p=67
https://www.bilibili.com/video/BV1FT4y1E74V?p=68
https://www.zhihu.com/question/41037974
https://blog.csdn.net/qq_42118719/article/details/113544673
本人学习模式识别课程陈莹、黎耀娟提供参考资料
特此鸣谢！！！