灰灰深入浅出讲解卷积神经网络（CNN）

读研以来不断地说机器学习，但是机器学习究竟是什么还是不清楚，直到老师要自己讲机器学习算法，我又正好抽到卷积神经网络和循环神经网络，研究了很久，有了些个人的体会，如今写下这篇博文，希望可以对大家起到一个抛砖引玉的作用。本文的写成引用和参考了很多大佬的心得体会，作者只是站在他们的肩膀上进行了一次总结，在这里先向大佬们表达诚挚的谢意和敬意，引用的部分我会注明。话不多说，开讲啦！

首先最需要明确的一点就是，卷积神经网络，也就是convolutional neural networks （简称CNN），现在已经被用来应用于各个领域，物体分割啦，风格转换啦，自动上色啦blahblah，但是！！CNN真正能做的，只是起到一个特征提取器的作用！所以这些应用，都是建立在CNN对图像进行特征提取的基础上进行的。

这篇文章呢，我不打算和传统介绍CNN的文章一样先介绍生物神经元、突触什么的，就直接从最简单的实例讲起。不过如果你想真正的深入理解什么是CNN，我建议你先看看下面的这三篇，打个神经网络的基础。本文只是给大家说明什么是CNN。
零基础入门深度学习(1) - 感知器
零基础入门深度学习(2) - 线性单元和梯度下降
零基础入门深度学习(3) - 神经网络和反向传播算法

1、引言

这里可以扯出机器学习中听起来很高冷的名词 “ 欠拟合 ”
那么什么是“欠拟合”呢？举个通俗的例子：
你想让神经网络（简称神经）辨认猫和狗（算法类型为分类）。于是给它看一百万只狗，和一百万只猫，每只狗的脑门上都贴着“我是狗”的字条，猫则贴“我是猫”【使用标注数据】。神经同时看五十万只禽兽，分四批看，并作出判断【实现时用并行处理，使用mini-batch】。每个看到的猫或狗，如果判断错了，就修正自己的判断标准【优化】。每看完这二百万只禽兽算一轮，每学十轮就看一些之前完全没见过的猫猫狗狗做出判断【推广性测试】。然后呢，你发现给神经看的猫狗图片太少，神经不能很好地判断某些猫狗特征都有的动物（兔子，耳廓狐说的就是你）【欠拟合】，于是追加猫和狗的图片各一百万只。当神经刻苦学习猫狗知识的时候，你正在睡觉，一觉睡醒，发现神经一小时前判断猫和狗比较准【次最优解】，现在学太多反而判断不准了【过拟合】，于是你让神经使用一小时前的标准【防止过拟合技巧之early-stopping】。这样训练过程就结束了。
接下来扯回来，回到正题。
我们都知道，图片在计算机内部以像素值的方式被存储，也就是说两张X在计算机看来，其实是这样子的。