NLP-CNN

卷积神经网络(特征提取)

一、可以完成的任务 1.检测任务 2.分类与检索

主要工作还是进行特征的提取。

3.超分辨率重构 4.医学任务等（OCR文字试别） 5.无人驾驶（就是识别前方道路） 6.人脸识别 区别：卷积网络与传统网络的区别

整体框架

二、卷积层 1.卷积层做了什么事

对于不同区域的得到的特征是不一样的，选择一种计算的方法，对于每一个小区域计算它应该的特征值是多少。

2.卷积特征值计算方法

三通道分别计算然后相加。

（R、G、B）
（蓝色和红色的）对应位置相乘！ 然后相加获得。

最终获得特征图表示

卷积中可以堆叠卷积
步长与卷积核大小对结果的影响：步长越小，提取的特征越丰富，计算的效
率比较慢。

在文本卷积中，步长并不一定；
尺寸与卷积核大小对结果的影响：尺寸越小，提取的特征越丰富；
边缘填充：（ 最外围的数据用的比较少，通过在最外围外面在添一圈零，减少数据的损失！）
卷积核个数：（最终得到的特征图）

三、池化层（simple压缩，宽高减少） 1.最大池化（max pooling）

每个位置把最大的取出来（即筛选，但是channel层次不变）

平均池化 即计算出平均特征取出！！

四、具体工作方式

两次卷积，一次池化！主要是进行特征的提取。

最后完成转化为向量 实现分类结果的是全连接层！