卷积神经网络与人工神经网络关系与区别
概念
卷积神经网络（Convolutional Neural Network, CNN）是人工神经网络（Artificial Neural Network, ANN）的一种特殊形式，两者在核心思想和基础结构上存在关联，但在设计目标、网络结构和应用场景上有显著差异。
结构
卷积神经网络对比人工神经网络引入卷积层、池化层等专用层，卷积层通过局部连接和权值共享提取局部特征，池化层降低数据维度
应用领域
ANN：广泛用于分类、回归、预测等任务，如金融风险评估、文本分类
CNN：专精于计算机视觉（图像分类、目标检测）、语音识别和自然语言处理（如文本分类）等领域
图像的概念
图像的相关概念:
- Height (H)：图像高度，单位像素
- Width (W)：图像宽度，单位像素
- Channels (C)：颜色通道数，单位“个”
- RGB图像：3通道（红、绿、蓝），每个通道值范围0（黑）~255（白）
- 灰度图像：1通道（0~255）
- 二值图像：1通道（0或1）
Numpy表示:形状：(Height, Width, Channels)
PyTorch表示:形状：(Channels, Height, Width)
图像的加载
了解了图像的概念后,图像的加载就是由一个三维矩阵或者三个三维矩阵来进行表示:
矩阵的值就是像素的位置以及像素的色彩
图像加载的3个api:
imread(): 读取图片像素等信息
imshow() 根据像素等信息画图
imsave() 保存图片
CNN卷积神经网络介绍
卷积神经网络可以简单理解为包含卷积层和池化层的神经网络模型,主要用于图形方面
组成及作用
输入层,卷积层,激励层,池化层,全连接层
卷积层:提取图像特征图
滤波器/卷积核(filter):带有共享参数的神经元,有多少滤波器就是有多少个神经元
卷积基本计算
根据卷积核大小对特征图进行点乘运算
点乘运算结果=新特征图1个特征值
Padding（填充）
通过上面的卷积计算过程，最终的特征图比原始图像小很多，如果想要保持经过卷积后的图像大小不变, 可以在原图周围添加 Padding 来实现。
Padding（填充）操作是一种用于在输入特征图的边界周围添加额外像素（通常是零）。
Stride（步长）
Stride（步长）指的是卷积核在图像上滑动时的步伐大小，即每次卷积时卷积核在图像中向右（或向下）移动的像素数。步长直接影响卷积操作后输出特征图的尺寸，以及计算量和模型的特征提取能力。
多通道卷积计算
实际中的图像都是多个通道组成,多通道卷积计算方法如下：
- 当输入有多个通道(Channel), 例如 RGB 三个通道, 此时要求卷积核需要拥有相同的通道数（图像有多少通道，每个卷积核就有多少通道）.
- 每个卷积核通道与对应的输入图像的各个通道进行卷积.
- 将每个通道的卷积结果按位相加得到最终的特征图.
具体操作如下图:padding补0,步长为1,通道为3
特征图大小
输出特征图的大小与以下参数息息相关:
-
size: 卷积核/过滤器大小，一般会选择为奇数，比如有
1*1,3*3，5*5 -
Padding: 零填充的方式
-
Stride: 步长
那计算方法如下图所示:
-
输入图像大小: W x W
-
卷积核大小: F x F
-
Stride: S
-
Padding: P
-
输出图像大小: N x N
卷积层API介绍
conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)
"""
参数说明：
in_channels: 输入通道数，RGB图片一般是3
out_channels: 输出通道，也可以理解为卷积核kernel的数量
kernel_size：卷积核的高和宽设置，一般为3,5,7...
stride：卷积核移动的步长
整数stride：表示在所有维度上使用相同的步长 stride=2 表示在水平和垂直方向上每次移动2个像素
元组stride: 允许在不同维度上设置不同的步长 stride=(2, 1) 表示在水平方向上步长为2，在垂直方向上步长为1
padding：在四周加入padding的数量，默认补0
padding=0：不进行填充。
padding=1：在每个维度上填充 1 个像素（常用于保持输出尺寸与输入相同 padding=输入形状大小-输出形状大小）。
padding='same'（从 PyTorch 1.9+ 开始支持）：让输出特征图的尺寸与输入保持一致。PyTorch会自动计算需要的填充量。stride必须等于1，不支持跨行，因为计算padding时可能出现小数
padding=kernel_size-1：Full Padding 完全填充
"""
池化层:降维(只在H,W上降维,与神经元无关)
池化层Pooling主要目的是降低维度,从而减少计算了,减少内存消耗,并提高模型的鲁棒性
鲁棒性（Robustness），又称健壮性或稳健性，是系统在面临内部结构变化、外部环境扰动或不确定性因素时，仍能维持其核心功能稳定运行的能力
池化层的计算
有点类似卷积层计算,但没有神经元参与
最大池化(Max Pooling) ：通过池化窗口进行最大池化，取窗口中的最大值作为输出
平均池化(Avg Pooling) ：取窗口内的所有值的均值作为输出
Padding（填充）
Stride（步长
多通道池化计算
在处理多通道输入数据时，池化层对每个输入通道分别池化，而不是像卷积层那样将各个通道的输入相加。这意味着池化层的输出和输入的通道数是相等。
池化只在宽高维度上池化，在通道上是不发生池化（池化前后，多少个通道还是多少个通道）
