keras深度学习实战（二）----深度卷积神经网络DCNN(1)

深度卷积神经网络

导语：

之前在MLP做数字识别时，我们将图片压扁成为一个一维向量，损失了原本的空间特性。那么，直接对图像进行处理，也就会得到一个巨大的矩阵，若给矩阵中的每个值都配一个权重，那么计算上会是相当复杂的。我们人在看图时有些地方是投机取巧的，我们不需要看到整张图片就可以一定程度上猜到这是什么，所以我们可以将图片分割，分块来处理（局部感受野）。既然图片模块化了，那么每块的权重也可以批量处理（共享权重和偏差）。还有一个是图片的像素降低实际对我们肉眼识别图像影响不大，所以图片中的一部分信息可简化（池化）。对于卷积网络，有三个要认识的要点：

• 局部感受野
• 共享权重和偏差
• 池化（最大池化和平均池化）

卷积网络的示意图

下面简述计算流程

假设图像矩阵如上所示，卷积核（权重矩阵）为
$$\left\{\begin{array}{cc}1& 0\\ 0& 1\end{array}\right\}\text{\hspace{1em}(2)}$$
并且步长为1，那么权值矩阵滑动后得到矩阵$M_6$