Simple Convolutional Network Example简单卷积网络示例

在上一视频中，我们了解了卷积神经网络中单层卷积层的构建模块。现在，我们将通过一个深度卷积神经网络（ConvNet）的具体示例，帮助你更好地理解卷积神经网络的工作原理，并加深对我们在上个视频末尾引入的符号的理解。📊

任务介绍: 图像分类

假设我们有一个图像，并希望进行图像分类或图像识别。具体来说，输入是一个图像 x，我们的目标是判断这是否是一只猫，输出是0或1，属于分类问题。让我们构建一个卷积神经网络（ConvNet），用于完成这个任务。

图像尺寸和初始参数

为了简化计算，我们假设使用一个较小的图像，尺寸为 39 x 39 x 3。这里，39 是图像的高度和宽度，3 是图像的通道数（即RGB三个颜色通道）。因此，在第0层（输入层），有：

• $n_H^{[0]} = 39$
• $n_W^{[0]} = 39$
• $n_C^{[0]} = 3$

第1层卷积层

假设第一层使用 3x3 的卷积核（滤波器），并使用步幅（stride）为1，且没有填充（padding）。我们使用 10个滤波器。
根据公式：

• $n_H^{[1]} = n_W^{[1]} = \frac{39 + 0 - 3}{1} + 1 = 37$
• $n_C^{[1]} = 10$

因此，第一层的输出激活尺寸为 37 x 37 x 10。

第2层卷积层

接下来，我们使用一个 5x5 的滤波器，步幅为2，没有填充，并且使用 20个滤波器。
输出尺寸为：

因此，第二层的输出激活尺寸为 17 x 17 x 20。

第3层卷积层

再来一层卷积层，使用 5x5 的滤波器，步幅为2，且使用 40个滤波器。
输出尺寸为：

因此，第三层的输出激活尺寸为 7 x 7 x 40。

展平层（Flatten）

最后，将 7x7x40 的特征图展平成一个长向量。计算得：

这样，卷积网络的输出就是一个 1960维的向量，然后可以将这个向量传递给 逻辑回归单元 或 softmax单元，进行最终的分类预测。

综上所述

整个过程如下：

1. 输入图像：39 x 39 x 3
2. 卷积层1：3x3滤波器，步幅1，10个滤波器，输出为 37 x 37 x 10
3. 卷积层2：5x5滤波器，步幅2，20个滤波器，输出为 17 x 17 x 20
4. 卷积层3：5x5滤波器，步幅2，40个滤波器，输出为 7 x 7 x 40
5. 展平：将 7 x 7 x 40 展平为 1960 维向量
6. 分类：使用 softmax 或 逻辑回归 单元输出预测结果

超参数的选择

设计卷积神经网络时，最重要的工作之一是选择合适的超参数。比如：

• 卷积核大小（滤波器尺寸）
• 步幅（stride）
• 填充（padding）
• 滤波器数量（filters）

这些选择会影响网络的性能和计算效率。在本视频和后续的视频中，我们会给出一些建议和指导，帮助你选择合适的超参数。

卷积神经网络的层类型

在一个典型的卷积神经网络中，通常有三种主要的层：

1. 卷积层（Conv Layer）：用于提取特征。
2. 池化层（Pooling Layer）：常见的池化层包括最大池化（Max Pooling）和平均池化（Average Pooling），用来减少空间维度，同时保留重要信息。
3. 全连接层（Fully Connected Layer，FC）：通常用于分类任务，将前面的卷积特征映射到类别标签。

虽然可以仅通过卷积层设计出一个有效的网络，但大多数神经网络架构会结合池化层和全连接层。幸运的是，池化层和全连接层的定义相对简单，我们将在接下来的两集视频中快速介绍这些层。

总结

至此，你已经见识了一个完整的卷积神经网络（ConvNet）的工作原理，恭喜你！🎉

接下来，我们将深入探讨如何实现池化层（Pooling Layer）和全连接层（FC），并讨论如何训练这些网络，使用的是 反向传播算法（Backpropagation），你已经对此有所了解。在下一视频中，我们将介绍如何实现卷积神经网络中的池化层。

---

学习要点总结：

• 卷积神经网络的层次通常是卷积层、池化层、全连接层。
• 在设计网络时，超参数的选择至关重要。
• 卷积神经网络的常见模式是随着网络深度的增加，图像的空间维度会逐渐减小，而特征的通道数通常会逐渐增加。

希望通过这些示例和讲解，你能够更好地理解卷积神经网络的结构和运作原理。继续加油！🚀