卷积神经网络的处理过程

I、u8卷积什么意思

U8卷积是一种卷积运算方式，主要应用于图像处理、计算机觉和深度学习域。

详细解释：

U8代表8位无符号整数，即每个像素值在0到255之间。 在图像处理中，图像数据通常以U8格式存储。 卷积是一种数学运算，广泛应用于信号处理、图像处理和计算机觉域。 在深度学习中，卷积主要用于卷积神经网络，用于处理图像数据。

卷积运算具体过程：

在卷积运算中，一个称为卷积核的小矩阵，对输入图像的一个部小区域进行加权运算。 这个加权运算可以帮助我们提取图像中的特定特征。 U8卷积就是在这个背景下，对U8格式的图像数据进行卷积运算。

U8卷积的应用：

U8卷积在深度学习，尤其是计算机觉域有着广泛的应用。 例如，在图像分类、目标检测、图像超分辨率等任务中，都需要对图像进行卷积作以提取特征。 由于U8格式是图像处理的常见格式，因此U8卷积在这些任务中扮演着重要角色。 通过卷积作，神经网络能够学习到图像的高级特征表示，从而提高各种觉任务的性能。

总的来说，U8卷积是一种在图像处理、计算机觉和深度学习域广泛应用的卷积运算方式，它能够帮助我们更好地处理和分析图像数据。

II、cnn是什么意思？

CNN的意思是指卷积神经网络。
卷积神经网络是一种深度学习的算法，主要应用于计算机觉域。 它主要用于处理图像数据，通过卷积运算来提取图像中的特征。 CNN由多个不同的层组成，包括卷积层、池化层、全连接层等。 每个层都有自己的功能和作用，共同协作完成图像特征的提取和识别。
CNN中的卷积层是核心部分。 在这一层中，通过卷积核对输入图像进行卷积运算，从而提取出图像中的部特征。 卷积核在图像上滑动，并与图像对应位置进行加权求和，得到新的特征图。 这个过程可以多次重复，以提取更高级别的特征。
池化层通常位于卷积层之后。 它的作用是对卷积层的输出进行降维，减少数据量和参数数量，同时保留重要的特征信息。 池化作可以是最大池化、平均池化等。 通过池化层，CNN可以更好地处理图像的平移、旋转和尺度变化。
全连接层位于CNN的最后几层，负责将前面的特征进行整合和分类。 通常，全连接层会使用softmax函数输出每个类别的概率，以便进行最终的分类任务。
卷积神经网络在图像识别、目标检测、脸识别、自然语言处理等域都有广泛的应用。 通过训练大量的数据，CNN可以自动学习并提取图像中的特征，实现高效的图像识别和分类。 由于其在计算机觉域的出色表现，CNN已成为当前最受欢迎的深度学习算法之一。

III、卷积层在神经网络中如何运算？

卷积神经网络（ConvolutionalNeuralNetworks,CNN）的核心是进行卷积运算作。 在实际应用中往往采用多层网络结构，因此又称为深度卷积神经网络。 本文将从单个卷积的计算出发，带大家掌握卷积层在神经网络中的运算方法。

2.1单个卷积的计算

要想了解卷积层在神经网络中的计算过程，我们首先需要了解单个“卷积”是如何运作的。

想必大家在学习CNN的过程中都见过下图（出处在此，这上面有各种各样的卷积gif图）：

input_shape=(5,5)，kernelsize=(3,3)，padding=‘same’，stride=1，output_shape=(5,5)

在此图中：

在此次计算中：

Ps：在实际应用中，每一个输出的特征图还会配备一个偏置bais，在上图中无表示。

2.2卷积层在神经网络中的运算

了解完单个卷积是如何计算的之后，我们就可以从神经网络的角度来看‘卷积层’的运算过程了。 下图展示的是输入三通图像（8*8*3）经一层卷积结构，输出两通特征图（8*8*2）的计算过程：

卷积参数：input_shape=(8,8,3)，kernelsize=(3,3)，padding=‘same’，stride=1，output_shape=(8,8,2)

在此图中：

在此次卷积层的运算中：

首先我们来关注一下输入和输出，他俩的尺度都是（8*8），而输入是3通道，输出是2通道（深度学习中不管干啥一定要先看输入输出，对一层是这样，对整个模型也是这样）。

其次就准备进入我们最熟悉的卷积核计算了，可是在此之前我们得知道，这个运算过程中到底发生了几次卷积核计算呢？有的朋友可能要说，卷积的一大特性就是‘权值共享’，有几通输出就有几个卷积核，每个卷积核把输入特征图从扫到尾。 然而这个其实是不对的！

实际上，在卷积核计算数量问题上，应该是“有几通道的输出就有几套卷积核，每套内的卷积核数量与输入通道数相等”，就像我在上图中所画的：

至此，这一个卷积层的运算就全部完成了。

2.3“可训练参数”验证

毕空口无凭，下面我来通过“可训练参数”的数量，来为大家验证一下卷积层是不是按我说的这么运算的。 大家应该知道，一个卷积层内的“可训练参数”，其实就是指的卷积核里的那些值，以及要加的偏置量，那么如果按照前面描述的计算方法来看，一个卷积层内的“可训练参数有多少呢”？我们可知：

由此可得到：

那么按理说可训练参数量应为：

让我们用keras的summary()来验证一下：

很棒！

记住，普通卷积层的可训练参数量为：

Ps：还有一个衡量模型大小、复杂度的量叫做“理论计算量FLOPs”（floatingpointoperations）。 它通常只考虑Conv、FC等参数层的乘、加作的数量，并且“纯加”作也会忽略（例如bias）。 卷积层运算中的FLOPs计算公式为：

Ps：这里还要为大家明确一个“感受野”的概念，简单来讲就是卷积神经网络中的某一层特征图上的一个点，对应到原图上可以关联到多少个点，我们用一张图来解释一下：

上图展示的是一个3层一维卷积，kernel_size=3，我们可以看到：顶层左一的像素与底层左起7个像素值有关，这时候就代表它的感受野有7。 我们可以显而易见的得出以下两个结论：

这个感受野在的卷积的拆分讲解中还要用到。