CNN卷积神经网络模型-01.困惑

cnn中《手写数字识别》《花鸟分类》《个人贷款预期预测》是怎么做到的。眼下深度学习热火，一起了解吧。

基底原理不展开，可百度了解。

在理解CNN过程，遇到三个困惑：

1、正向困惑：样本提取的特征值与目标特征值如何比较。样本A的特征值可以卷积提取出来，目标B的特征值怎么来？是如何比较的。

A特征值提取之后，会通过数学算法转化成分类的概率P(A)，由于是有监督训练，目标B的分类概率P(B)已经确定。最终比较的是P(A)与P(B) 2个概率差距。

所以，在cnn分类模型中，2个概率函数差距如何表达及计算，成为核心关键，常用交叉熵。

注：理解特征概率P(A)与P(B）差距要结合迭代计算一起考虑。即通过n次迭代使得样本A的概率P(A)逼近目标B的概率P(B)。第一次运算出来的概率P(A0)是多少不重要，后面还要经过n次修订迭代运算。

2、反向困惑：反向传播，怎么更新参数

迭代计算的目的是调整参数。由于反向传播代码高度集成，数以百万、千万的参数要更新，不易理解。但确实如此，不管模型网络多少层， Loss.backward() 及loss_fn.step()短短2句就完成了众多参数的更新。可以打印执行前后权重及偏置参数对比印证。里面涉及的梯度下降法是优化算法。

3、模型输出困惑：

模型训练完之后，存储了【权重参数、偏置、模型结构】，重新加载模型文件，预测会使用模型及参数提取特征，计算概率，输出判定。