卷积神经网络理解

定义

卷积神经网络用于计算机视觉，也就是计算机图像（视频，文本，音频等），比如，人脸识别，自动驾驶。
卷积神经网络相当于一个函数，黑盒（接下来破解这个黑盒），有输入和输出

运算步骤

1.卷积运算

通过合适的卷积核（滤波器）对原图像进行卷积运算，得到新的Feature Map，下图中使用从左上到右下的卷积核，在对原图进行卷积运算时，最后的结果中可以明显看出1.00的位置是符合现实的。
以此类推，使用中间的3维矩阵和从左下到右上的3维矩阵即可得到3个Feature Map。

2.池化

因为现实世界中数据很多，如果每个都进行卷积运算后会得到很多数据，不利于系统的反应，所以加入池化（Pooling），使数据量在减小的时候，也不会顺势数据。
一般使用Max Pooling.

因为图像的边缘也充满了特征，所以引入Padding（填充），用来保存边缘数据。

3.激活函数

一方面，有利于矩阵计算，另一方面，对后面的梯度下降也是有好处的。

4.全连接层

和前面的每一个神经元都进行连接的。

把Pooling的结果按一维矩阵的形式排排坐。

需要通过训练得到的

权重如何选择，以及卷积核如何选择？

答案是需要训练。
ImageNet网站进行数据训练的数据来源
在这个过程中，进行损失函数的计算，不断正向反向传播，来不断减小所有需要的参数。使得损失函数最小。

使用梯度下降方法！

5.超参数的设定

只需要使用已经撘好的、成熟的框架即可。例如VGG16等。