2。3Deep Learning的训练

深度学习的训练分为两种，一种是自顶向下的监督学习方法，一种是自下向上的非监督学习方法，由于本文卷积神经网络是监督学习模式，所以着重介绍Deep Leaning的监督学习训练。该训练利用有标签的数据训练第一层，学习第一层参数，可得比初始输入更有区分性的特征，第一层输出作为第二层的输入，得到区分性变大的特征，传递数据，得到各个层的参数，从而构建模型。 

2。4卷积神经网络

2。4。1 CNN的历史

1962年Hubel和Wiesel两位学者通过对猫的研究总结出receptive field（感觉范围）的概念，1984年从日本来的Fukushima在receptive field的基础上成为了卷积神经网络的第一个实现者，他提出的“神经认知机”是该网络的先驱体[16]。神经认知机包括两种神经元，分别是S神经元和C神经元，根据两种神经元的功能不同，分别用来做特征收集提取和防止特征改变，而S神经元又分为两个区域：控制神经元接收范围和个数的感受区域，以及控制特征采纳程度的阈值函数。而卷积神经网络则是该神经感知机的发展，功能更加完善。

2。4。2 CNN的网络结构

卷积神经网络存在n个层，平均每一层代表一次特征提取，每一层上有m个神经元，每个神经元都会参与到上一个输入信息的调度和下一个输出信息的得出[17]。

图2。4 CNN 的网络结构

如图2。4所示，卷积神经网络由7个部分构成，输入层，卷积层，池化层（pooling），再加上卷积层，池化层，全链接层和输出层，input到C1之间是经过卷积运算，得到n个（图中是三个）特征图像，后经池化处理得到S2，实际上该步是对上一步得到的特征图像进行加W（权值）和b（偏置），之后对得到的结果做Sigmoid函数特征筛选和特征扩大，后经过C3卷积和S4池化的特征筛选，最终把特征图像全链接化，经过分类器分类，得到相应的类别，整个过程基于特征分为三步:

① 取输入像素点，将像素点转化成相应矩阵。来*自-优=尔,论:文+网www.youerw.com

② 逐层加权融，加偏置融合像素点为特征图像，对特征图像做特征筛选。

③ 分类器分类，得到分类结果。

CNN神经网络在Ci神经层是将输入像素转变特征的过程，由于C层和S层所涉及参数局部共享，所以权值参数可以分享给其他像素点，进而CNN相对于普通神经网络有更少的参数和连接数，使CNN网络模型更有利于信息量大的图片检测。

2。4。3稀疏链接和权值共享

CNN的权值共享是该方法的突出优势，在图像识别时可以使计算简便，例如：假设样本的图像是1000*1000大小（小图像规格），神经元个数为一百万，按照神经网络的全链接的方式进行连接需要1000*1000*1000000=1012个链接（每个像素点都要链接一个神经元），出现1012个参数，计算量很大