CNN卷积神经网络总结

看了卷积神经网络时间也不短了，想写点东西总结一下~以后别忘了，大家可以共同探讨

卷积神经网络做图像分类主要包括3个步骤：

1：前向传播得到输出值

2：利用得到的输出值进行反向传播计算误差对卷积核（权重）的梯度，用计算出来的梯度更新旧的权值（梯度下降法），为什么要用梯度下降法，因为误差函数是一个离散函数，我们以前计算一个连续函数的极值的时候都是对这个函数求偏导，让偏导等于0即可，但是离散函数是不可导的，所以我们用一步一步的梯度下降的方法近似偏导等于0，当然，这里的梯度的计算也不是我们平常的按照求导公式计算得到，而是通过bp里的一些步骤得到。

3：用新得到的权值去测试样本，具体还是前向传播，用测试样本结合新的权值得到输出矩阵

CNN的网络执行的只是一个前向的输出过程，中间的每一层的特征map都可以认为是提取到的特征，而越往后，提取到的特征越抽象，带有某种规律性，更容易做分类，当然，分类使用的分类器是softmax分类器，softmax分类器说白了就是用一个特征向量去左乘一个矩阵（在CNN里面这个矩阵就是权重、卷积核或者滤波矩阵，一个意思），从而得到一个向量，取这个向量里面的最大值所对应的索引，即为该特征向量所对应的类别号，其实就是一种概率思想。CNN总的来说就分为2个部分，（卷积层+下采样层）特征提取层和分类层，刚开始的时候对输出层的前面一层的全连接层不太理解，下面简单介绍：

对n-1层和n层而言
n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。这就是全连接，附一个图片：

其中第二层和第四层都是全连接层的输出，全连接层和卷积层不同的是权值不共享，卷积层的权值共享