感性认识卷积神经网络

本文简单介绍一下卷积神经网络，主要从层的概念来描述，每一层都有其他层作为它的输入层，然后有自己的输出作为其他层的输出层。总的来说，主要有这么几个层：输入层，卷积层，采样层，全连接层。

1 输入层

输入：若干个特征图，比如一张图片，可以是3个二维数组，分别为RGB的像素值。

正向传播：该层不用处理，直接把输入值当作输出值输出给下一层，下一层一般是卷积层。

反向传播：该层作为最原始的“输入层”，没有输入层，不用传播。

2 卷积层

输入：n个特征图，比如n个二维数组。

正向传播：从n个特征图中抽取m个（当然n>m），用同一个卷积核对这m个特征图做卷积运算，产生一个新的特征图。如此重复，输出k个特征图。

反向传播：

卷积核调整（其实就是权值调整）：根据误差项和输入值调整卷积核，其中误差项是下一层（该层输出的那一层，比如可能是采样层）传播过来的。

误差项的传播：根据该层误差项和卷积核，算出一个新的误差项，传播给该层的上一层（给该层输入的那一层，比如可能是输入层)，作为那一层的误差项。一个特征图对应一个误差项。比如这一层有k个特征图，其中第一个特征图有一个误差项，这个误差项传播到上一层的跟这个特征图相关的特征图(请注意该层的一个特征图是有上一层的某几个特征图产生的)。

3采样层

输入：若干个特征图，比如若干个二维数组。

正向传播：一个输入的特征图，通过采样（缩放效果）操作，产生一个新的特征图。这个采样操作，有不同的实现方法，比如可以是4个点算加权平均，也可以是找最大值乘以一个权值。

如此重复，产生若干个特征图。

反向传播：

权值调整：根据误差项和输入值调整权值。

误差项传播：跟卷积层的差不多。

4 全连接层

输入：n个特征图，比如n个二维数组

正向传播：有m个很大的卷积核，每一个卷积核都跟n个特征图的每个点全连接。n个特征图跟一个卷积核做卷积运算，得出一个新的特征值。如此重复，得出m个特征值。

反向传播：跟卷积层和采样层差不多。

想象一个极简单的卷积网络，输入层->卷积层->采样层->全连接层。

输入层：一张图片的rgb通道的像素，即3个二维数组

卷积层：将rgb两两搭配，总共3个组合，rg,rb,gb,分别对应一个卷积核。每种组合跟一个卷积核卷积运算，得出新的特征图。3个组合，共得出3个特征图。

采样层：将上面的3个特征图做缩放操作，当然是有权值的缩放。产出3个新的特征图。

全连接层：m个卷积核。一个卷积核跟3个特征图做卷积运算，得出新的特征值。共得出m个特征值，m的数量就是分类的种类数量。