卷积神经网络CNN的原理（三）－－－代码解析

　　卷积神经网络在几个主流的神经网络开源架构上面都有实现，我这里不是想实现一个自己的架构，主要是通过分析一个最简单的卷积神经网络实现代码，来达到进一步的加深理解卷积神经网络的目的．

笔者在github上找到了一个十分简单的卷积神经网络python的代码实现：

https://github.com/ahmedfgad/NumPyCNN

具体的怎么使用这里就不用说了，这里都有介绍，我只是分析一下这个代码的实现过程并解析代码，梳理一下神经网络是怎么使用的和构造原理．

一般的神经网络主要包含几个步骤：

1. 准备滤波器。

2. 卷积层：使用滤波器对输入图像执行卷积操作。

3. ReLU 层：将 ReLU 激活函数应用于特征图（卷积层的输出）。

4. 最大池化层：在 ReLU 层的输出上应用池化操作。

5. 堆叠卷积层、ReLU 层和最大池化层。

　我也按照这几个步骤去分析代码：

一　准备滤波器：

　　根据滤波器的数量和每个滤波器的大小创建数组。我们有 2 个大小为 3*3 的滤波器，因此数组大小为 (2=num_filters, 3=num_rows_filter, 3=num_columns_filter)。将滤波器的尺寸选择为没有深度的 2D 数组，因为输入图像是灰度图且深度为 1。如果图像是具有 3 个通道的 RGB，则滤波器大小必须是（3, 3, 3=depth）。

滤波器组的大小由上述 0 数组指定，但不是由滤波器的实际值指定。可以按如下方式覆写这些值，以检测垂直和水平边缘。

二　卷积处理：

　　在准备好滤波器之后，下一步就是用它们对输入图像执行卷积操作。下面一行使用 conv 函数对图像执行卷积操作：

此类函数只接受两个参数，即输入图像数据和滤波器数组，它的实现如下：

　　这个函数都做了些什么呢？下面我们逐一进行分析一下：

　　1 对卷积的过滤器做检查，确保过滤器符合以下约束条件（行列为奇数并且相等），确保过滤器和图像的维度相同．

　　２　创建空的一个卷积提取特征的数组

　　３　针对两维的卷积网络做卷积特征提取：conv_

 　　从这里可以总结出，这个函数的作用就是使用过滤器对图像做卷积处理，并提取出特征值以供后面使用．　　

三　ReLU激活函数层

　　ReLU层将ReLU激活函数应用于conv层输出的每个特征图上，根据以下代码行调用ReLU激活函数：

ReLU激活函数（ReLU）的具体实现代码如下：

 　　ReLU思想很简单，只是将特征图中的每个元素与0进行比较，若大于0，则保留原始值。否则将其设置为0。

四　最大池化层

　　ReLU层的输出作为最大池化层的输入，根据下面的代码行调用最大池化操作：

最大池化函数（max pooling）的具体实现代码如下：

该函数接受3个参数，分别为ReLU层的输出，池化掩膜的大小和步幅。首先也是创建一个空数组，用来保存该函数的输出。数组大小根据输入特征图的尺寸、掩膜大小以及步幅来确定.

 对每个输入特征图通道都进行最大池化操作，返回该区域中最大的值，这个就是最大池化．这就达到了降采样的目的．

参考文档：

１　https://www.jiqizhixin.com/articles/2018-05-29

２　https://yq.aliyun.com/articles/585741