卷积神经网络的训练

卷积神经网络在本质上是一种输入到输出的映射，能够学习大量的输入到输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式。只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。卷积网络执行的有监督的训练，所以其样本集由形如（输入向量，理想输出向量）的向量对构成。所有的这些向量对，都应该是来源于网络即将模拟的系统的实际“运行结果”。它们可以是从实际运行系统中采集来的。在开始训练之前，所有的权都应该是用一些“不同的小随机数”进行初始化。“小随机数”用来保证网络不会因为权值过大而进入饱和状态，从而导致训练失败；“不同”用来保证网络可以正常地学习。实际上，如果用相同的数去初始化权矩阵，则网络无能力学习。
卷积神经网络的具体使用上和一般反馈神经网络相同，分为前向传播和后向传播。
第一阶段：向前传播阶段
（1）从样本集中取一个样本，将样本输入卷积神经网络
（2）计算相应的实际输出
信息从输入层经过逐级的变换，传送到输入层。这个过程也是网络在完成训练后正常运行时执行的过程。在这个过程中，网络执行的是计算（实际就是输入与每层的权值矩阵相乘，得到最后的输出结果）。
第二阶段：向后传播阶段
（1）计算实际输出Op与相应的理想输出Yp的差
（2）按极小化误差的方法反向传播调整权值矩阵。