深度学习-CNN入门

对于CNN的理解

按照过程来理解：

1. 卷积，因为特征往往具有局部性，所以我们取消了第一层和第二层之间的全连接，改之为部分连接，即某些神经元只连接着某些像素点。这能够有效地减少我们的参数数量。

而在这个过程中，我们还使用了权值共享这一个方法，其意思是，对于一张图片，其特征萃取，在全局中的任何局部应该都是可取的，也就是说，萃取某一个特征，我们可以对每一个局部都做同样的事情，因此，按照卷积的思想，我们让第二层的每一个神经元，都负责某一个具体的图像局部，而且这些个神经元，其与第一层的连接的参数，都是一样的，这个权值共享的方法有利于加快训练过程，减少训练样本的需求，减少过拟合的情况。

当然，这个时候或许你会问，那所有的神经元都拥有一样的参数，那对一张图片，我们岂不是一直都在提取它的某一个特定的特征吗？我的回答是：是的，所以我们把这些拥有一样参数的神经元，汇集为一个平面（可以考虑为只是把它们设置为一体），如果我们针对不同的特征，设置不同的神经元平面（在第二层），也就是如果我们希望提取32个特征（也可以称为通道），那么我们在第二层处就要设置32个神经元平面，平面内的神经元拥有一样的参数。

2. 池化，池化这个概念是如何提出来的呢？是因为通过前面的步骤，我们仍然获得了过量的特征，这对于后期分类器的训练十分不利，因此，我们使用一种称为池化的操作，可以理解为把几个特征聚集为一个特征，从而减少特征的数量，而且通过这个方法，还降低了过拟合的可能性。举个栗子就是2*2的特征，我们取其中最大的那个或者其4个的平均值，而得到一个特征，所以特征数量就减少为原来的1/4.

这就是CNN的第一，第二步，下面的步骤我还会继续更新，自勉&&共勉！~