來源：機器學習算法那些事

卷積神經網絡是以卷積層為主的深度網路結構，網絡結構包括有卷積層、激活層、BN層、池化層、FC層、損失層等。卷積操作是對圖像和濾波矩陣做內積（元素相乘再求和）的操作。

1. 卷積層

常見的卷積操作如下：

卷積操作	解釋	圖解
標準卷積	一般采用3x3、5x5、7x7的卷積核進行卷積操作。???????
分組卷積	將輸入特征圖按通道均分為 x 組，然后對每一組進行常規卷積，最后再進行合并。
空洞卷積	為擴大感受野，在卷積核里面的元素之間插入空格來“膨脹”內核，形成“空洞卷積”（或稱膨脹卷積），并用膨脹率參數L表示要擴大內核的范圍，即在內核元素之間插入L-1個空格。當L=1時，則內核元素之間沒有插入空格，變為標準卷積。
深度可分離卷積	深度可分離卷積包括為逐通道卷積和逐點卷積兩個過程。????	（通道卷積，2D標準卷積） （逐點卷積，1x1卷積）
反卷積	屬于上采樣過程，“反卷積”是將卷積核轉換為稀疏矩陣后進行轉置計算。
可變形卷積	指標準卷積操作中采樣位置增加了一個偏移量offset，如此卷積核在訓練過程中能擴展到很大的范圍。

補充：

1 x 1卷積即用1 x 1的卷積核進行卷積操作，其作用在于升維與降維。升維操作常用于chennel為1（即是通道數為1）的情況下，降維操作常用于chennel為n（即是通道數為n）的情況下。??????????????

降維：通道數不變，數值改變。

升維：通道數改變為kernel的數量（即為filters），運算本質可以看為全連接。卷積計算在深度神經網絡中的量是極大的，壓縮卷積計算量的主要方法如下：

2. 激活層

介紹：為了提升網絡的非線性能力，以提高網絡的表達能力。每個卷積層后都會跟一個激活層。激活函數主要分為飽和激活函數（sigmoid、tanh）與非飽和激活函數（ReLU、Leakly ReLU、ELU、PReLU、RReLU）。非飽和激活函數能夠解決梯度消失的問題，能夠加快收斂速度。??????????????常用函數：ReLU函數、Leakly ReLU函數、ELU函數等ReLU函數Leakly ReLU函數

ELU函數

3. BN層(BatchNorm)介紹：通過一定的規范化手段，把每層神經網絡任意神經元的輸入值的分布強行拉回到均值為0，方差為1的標準正態分布。BatchNorm是歸一化的一種手段，會減小圖像之間的絕對差異，突出相對差異，加快訓練速度。但不適用于image-to-image以及對噪聲明感的任務中。常用函數：BatchNorm2dpytorch用法：nn.BatchNorm2d(num_features, eps, momentum, affine)num_features：一般輸入參數為batch_sizenum_featuresheight*width，即為其中特征的數量。eps：分母中添加的一個值，目的是為了計算的穩定性，默認為：1e-5。momentum：一個用于運行過程中均值和方差的一個估計參數（我的理解是一個穩定系數，類似于SGD中的momentum的系數）。

affine：當設為true時，會給定可以學習的系數矩陣gamma和beta。

4. 池化層（pooling）介紹：pooling一方面使特征圖變小，簡化網絡計算復雜度。一方面通過多次池化壓縮特征，提取主要特征。屬于下采樣過程。常用函數：Max Pooling(最大池化)、Average Pooling(平均池化)等。MaxPooling 與 AvgPooling用法：1. 當需綜合特征圖上的所有信息做相應決策時，通常使用AvgPooling，例如在圖像分割領域中用Global AvgPooling來獲取全局上下文信息；在圖像分類中在最后幾層中會使用AvgPooling。2. 在圖像分割/目標檢測/圖像分類前面幾層，由于圖像包含較多的噪聲和目標處理無關的信息，因此在前幾層會使用MaxPooling去除無效信息。

補充：上采樣層重置圖像大小為上采樣過程，如Resize，雙線性插值直接縮放，類似于圖像縮放，概念可見最鄰近插值算法和雙線性插值算法。實現函數有nn.functional.interpolate(input, size = None, scale_factor = None, mode = 'nearest', align_corners = None)和nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride = 1, padding = 0, output_padding = 0, bias = True)

5. FC層（全連接層）介紹：連接所有的特征，將輸出值送給分類器。主要是對前層的特征進行一個加權和（卷積層是將數據輸入映射到隱層特征空間），將特征空間通過線性變換映射到樣本標記空間（label）。全連接層可以通過1 x 1卷機+global average pooling代替。可以通過全連接層參數冗余，全連接層參數和尺寸相關。常用函數：nn.Linear(in_features, out_features, bias)補充：分類器包括線性分類器與非線性分類器。

6. 損失層介紹：設置一個損失函數用來比較網絡的輸出和目標值，通過最小化損失來驅動網絡的訓練。網絡的損失通過前向操作計算，網絡參數相對于損失函數的梯度則通過反向操作計算。

常用函數：分類問題損失（離散值：分類問題、分割問題）：nn.BCELoss、nn.CrossEntropyLoss等。回歸問題損失（連續值：推測問題、回歸分類問題）：nn.L1Loss、nn.MSELoss、nn.SmoothL1Loss等。

7. Dropout層

介紹：在不同的訓練過程中隨機扔掉一部分神經元，以防止過擬合，一般用在全連接層。在測試過程中不使用隨機失活，所有的神經元都激活。?????????????????????

常用函數：nn.dropout

8. 優化器介紹：為了更高效的優化網絡結構（損失函數最小），即是網絡的優化策略，主要方法如下：

常用優化器為Adam，用法為：torch.optim.Adam。???????

補充：卷積神經網絡正則化是為減小方差，減輕過擬合的策略，方法有：L1正則(參數絕對值的和); L2正則(參數的平方和，weight_decay：權重衰退)。

9. 學習率?介紹：學習率作為監督學習以及深度學習中重要的超參，其決定著目標函數能否收斂到局部最小值以及合適收斂到最小值。合適的學習率能夠使目標函數在合適的時間內收斂到局部最小值。????

常用函數：torch.optim.lr_scheduler; ExponentialLR; ReduceLROnplateau; CyclicLR等。???????

卷積神經網絡的常見結構

常見結構有：跳連結構（ResNet）、并行結構（Inception V1-V4即GoogLeNet）、輕量型結構（MobileNetV1）、多分支結構（SiameseNet; TripletNet; QuadrupletNet; 多任務網絡等）、Attention結構（ResNet+Attention）

結構????????????	介紹與特點	圖示
跳連結構（代表：ResNet）	2015年何愷明團隊提出。引入跳連的結構來防止梯度消失問題，今兒可以進一步加大網絡深度。擴展結構有：ResNeXt、DenseNet、WideResNet、ResNet In ResNet、Inception-ResNet等???????????????
并行結構（代表：Inception V1-V4）	2014年Google團隊提出。不僅強調網絡的深度，還考慮網絡的寬度。其使用1×1的卷積來進行升降維，在多個尺寸上同時進行卷積再聚合。其次利用稀疏矩陣分解成密集矩陣計算的原理加快收斂速度。??
輕量型結構（代表：MobileNetV1）	2017年Google團隊提出。為了設計能夠用于移動端的網絡結構，使用Depth-wise Separable Convolution的卷積方式代替傳統卷積方式，以達到減少網絡權值參數的目的。擴展結構有：MobileNetV2、MobileNetV3、SqueezeNet、ShuffleNet V1、ShuffleNet V2等????????
多分支結構（代表：TripletNet）?	基于多個特征提取方法提出，通過比較距離來學習有用的變量。該網絡由3個具有相同前饋網絡（共享參數）組成的，需要輸入是3個樣本，一個正樣本和兩個負樣本，或者一個負樣本和兩個正樣本。訓練的目標是讓相同類別之間的距離竟可能的小，讓不同的類別之間距離竟可能的大。常用于人臉識別。
Attention結構（代表：ResNet+Attention）	對于全局信息，注意力機制會重點關注一些特殊的目標區域，也就是注意力焦點，進而利用有限的注意力資源對信息進行篩選，提高信息處理的準確性和效率。注意力機制有Soft-Attention和Hard-Attention區分，可以作用在特征圖上、尺度空間上、channel尺度上和不同時刻歷史特征上等。??????????????