深度学习是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合。深度学习从大类上可以归入神经网络，不过在具体实现上有许多变化。深度学习的核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。深度学习是一个框架，包含多个重要算法:
▲ConvolutionalNeuralNetworks(CNN)卷积神经网络
▲AutoEncoder自动编码器
▲SparseCoding稀疏编码
▲RestrictedBoltzmannMachine(RBM)限制波尔兹曼机
▲DeepBeliefNetworks(DBN)深信度网络
▲RecurrentneuralNetwork(RNN)多层反馈循环神经网络神经网络
对于不同问题(图像，语音，文本)，需要选用不同网络模型才能达到更好效果。
此外，最近几年增强学习(ReinforcementLearning)与深度学习的结合也创造了许多了不起的成果，AlphaGo就是其中之一。
人类视觉原理
深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。
1981年的诺贝尔医学奖，颁发给了DavidHubel（出生于加拿大的美国神经生物学家）和TorstenWiesel，以及RogerSperry。前两位的主要贡献，是“发现了视觉系统的信息处理”，可视皮层是分级的。
人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。下面是人脑进行人脸识别的一个示例：
对于不同的物体，人类视觉也是通过这样逐层分级，来进行认知的：
卷积网络介绍
这是一个最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。卷积层完成的操作，可以认为是受局部感受野概念的启发，而池化层，主要是为了降低数据维度。综合起来说，CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。
降低参数量级
为什么要降低参数量级？从下面的例子就可以很容易理解了。如果我们使用传统神经网络方式，对一张图片进行分类，那么，我们把图片的每个像素都连接到隐藏层节点上，那么对于一张1000x1000像素的图片，如果我们有1M隐藏层单元，那么一共有10^12个参数，这显然是不能接受的。（如下图所示）
但是我们在CNN里，可以大大减少参数个数，我们基于以下两个假设：
1）最底层特征都是局部性的，也就是说，我们用10x10这样大小的过滤器就能表示边缘等底层特征
2）图像上不同小片段，以及不同图像上的小片段的特征是类似的，也就是说，我们能用同样的一组分类器来描述各种各样不同的图像
基于以上两个，假设，我们就能把第一层网络结构简化如下：
我们用100个10x10的小过滤器，就能够描述整幅图片上的底层特征。
卷积（Convolution）
卷积运算的定义如下图所示：
如图所示，我们有一个5x5的图像，我们用一个3x3的卷积核：
101
010
来对图像进行卷积操作（可以理解为有一个滑动窗口，把卷积核与对应的图像像素做乘积然后求和），得到了3x3的卷积结果。
这个过程我们可以理解为我们使用一个过滤器（卷积核）来过滤图像的各个小区域，从而得到这些小区域的特征值。
在实际训练过程中，卷积核的值是在学习过程中学到的。
在具体应用中，往往有多个卷积核，可以认为，每个卷积核代表了一种图像模式，如果某个图像块与此卷积核卷积出的值大，则认为此图像块十分接近于此卷积核。如果我们设计了6个卷积核，可以理解：我们认为这个图像上有6种底层纹理模式，也就是我们用6中基础模式就能描绘出一副图像。以下就是24种不同的卷积核的示例：
池化（Pooling）
池化听起来很高深，其实简单的说就是下采样。池化的过程如下图所示：
上图中，我们可以看到，原始图片是20x20的，我们对其进行下采样，采样窗口为10x10，最终将其下采样成为一个2x2大小的特征图。
之所以这么做的原因，是因为即使做完了卷积，图像仍然很大（因为卷积核比较小），所以为了降低数据维度，就进行下采样。
之所以能这么做，是因为即使减少了许多数据，特征的统计属性仍能够描述图像，而且由于降低了数据维度，有效地避免了过拟合。
在实际应用中，池化根据下采样的方法，分为最大值下采样（Max-Pooling）与平均值下采样（Mean-Pooling）。
LeNet介绍
下面再回到LeNet网络结构：
这回我们就比较好理解了，原始图像进来以后，先进入一个卷积层C1，由6个5x5的卷积核组成，卷积出28x28的图像，然后下采样到14x14（S2）。
接下来，再进一个卷积层C3，由16个5x5的卷积核组成，之后再下采样到5x5（S4）。
注意，这里S2与C3的连接方式并不是全连接，而是部分连接，如下图所示：
其中行代表S2层的某个节点，列代表C3层的某个节点。
我们可以看出，C3-0跟S2-0,1,2连接，C3-1跟S2-1,2,3连接，后面依次类推，仔细观察可以发现，其实就是排列组合：
000111
001110
011100
…
111111
我们可以领悟作者的意图，即用不同特征的底层组合，可以得到进一步的高级特征，例如：/+\=^（比较抽象O(∩_∩)O~），再比如好多个斜线段连成一个圆等等。
最后，通过全连接层C5、F6得到10个输出，对应10个数字的概率。
最后说一点个人的想法哈，我认为第一个卷积层选6个卷积核是有原因的，大概也许可能是因为0~9其实能用以下6个边缘来代表：
是不是有点道理呢，哈哈
然后C3层的数量选择上面也说了，是从选3个开始的排列组合，所以也是可以理解的。
其实这些都是针对特定问题的trick，现在更加通用的网络的结构都会复杂得多，至于这些网络的参数如何选择，那就需要我们好好学习了。
首页|关于我们|案例中心|技术资讯|联系我们|
业务热线：+8618901557263
地址：苏州市吴江区长安路1188号
E-mail：huanghaisheng@suzhouzhisheng.com
主营产品：机器视觉软件视觉定位视觉测量视觉缺陷检测软件定制开发运动控制