关于深度卷积神经网络的前世今生，就不在此处进行过多的介绍。在此，主要对网络的各个组成部分进行简要介绍：
通过图1可知深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成。以下将以人脸识别为例对网络的各个组成部分进行简单的介绍：
输入层：深度卷积网络可直接将图片作为网络的输入，通过训练提取特征，但是为了获得更好的效果，通常需要将图片进行预处理，在人脸识别中，就需要进行人脸检测等处理（MTCNN是一种较好的人脸检测方法）。此外，在样本不足的情况下会需要进行样本增强处理，包括旋转、平移，剪切、增加噪声、颜色变换等。
卷积层：通过卷积运算实质是对输入进行另一种表示，若将卷积层视为黑盒子，那么我们可以将输出看作是输入的另外一种表示，而整个网络的训练也就是训练出这种表示所需的中间参数。图2为一般神经网络的示意图：
图2中w和b即为网络训练所需得到的参数，在卷积层中需要添加激活函数对运算进行非线性化。深度卷积网络将小的神经网络串联起来构成深度神经网络，主要有两种特殊的处理方式：
① 采用局部感受野：神经元仅与其相邻的上一层神经元相连接，通过对学习到的局部特征进行组合形成最后的全局特征。
② 采用权值共享：同一个卷积核在对不同的局部感受野进行操作时，采用相同的权值参数，能够减少网络运行过程中所需的参数计算量。通过每一层的多个卷积核获得图片的不同特征，不需要特意考虑特征在图片中的具体位置，该处理方式使得其在分析和处理图片任务上具有显著优势
图3为某个三维图进行卷积处理，同一卷积核对不同输入层进行卷积操作，得到一组输出，多个卷积核得到多少个输出。不同的图层和不同的输入图处理方法相似，中间的卷积运算时一种对参数进行处理的过程，而最后决定分类个数的是最后一层全连接层的个数。如100张图片，大小为32*32，图片为3维，即输入为100*32*32*3，通过大小为3*3的256个卷积核进行边缘补充后计算，输出为100*32*32*256，即在该层的卷积运算仅需对256个卷积核进行共享就可实现卷积操作，大大减少了所需参数。
卷积运算输入和输出窗口的大小变化为：
，其中W为输入的长/宽（输入长宽不一定相等），F为卷积核的大小，P为边缘补充个数，S为步长（卷积间隔个数），如图3中，输入为5*5，卷积核的大小为3*3，边缘补充为1，步长为2，其计算即为N=（5-3+1*2）/2+1，故而输出为3*3。
vggnet通过实验证明三个3*3的卷积核效果比一个7*7的卷积核效果好，2个3*3的卷积核比一个5*5的网络效果好。此外，resnet提出的残差网络结构能有效的避免网络中参数泛华的问题。
池化层：是卷积神经网络中的一种对数据进行的特殊处理操作，通过池化处理缩小图片特征尺寸，能有效的去除由上一层的结果作为输入而带来的计算量较大的问题，图4为常使用的池化方法。
2*2的池化可以使特征图大小减半，后常采用大小为3*3，步长为2，pad=0的卷积核替换池化层，可实现类似的效果。
激活函数：网络中卷积操作和池化操作都是线性操作，而生活中的大量样本，在进行分类时并不是线性关系，因而需要在网络中引入非线性元素使得网络能解决非线性问题。常见的激活函数如下：
全连接层：该层是网络中消耗参数最多的层，若全连接层的输入是4*4*100，全连接层的输出是512，则该层需要4*4*100* 512个参数；而一般的卷积层，若卷积核为4*4，输出为512，则仅需4*4*512个参数。常见的网络会含有两个全连接层，第二个全连接层的输出与分类个数的输出对应，而近期有文献表明，第一个卷积层是可以通过全局平均池化层等替换。
以上是通过个人学习进行的简要总结，若有不对的地方大家可以指出，期待与大家共同学习进步。
版权声明：本文为CSDN博主「mixiumixiu」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/wutongyutt/article/details/80496860
