CNN基础

        卷积神经网络（ConvolutionalNeural Networks，简称CNN）提出于20世纪60年代，由Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现。

        CNN是目前深度学习最大的一个流派，其应用优点在于避免了对图像的复杂前期预处理，可以直接处理原始图像。CNN核心在于“卷积”，传统机器学习中LBP、HOG等特征都可以看作是卷积的一种特殊形式，“卷积”以不同的参数来描述不同的抽象程度特征，更接近于原始图像的“特征抽象”。

        如上图所示，利用一个滑动窗口（卷积核）对原始图像区域进行“筛选”，将对应像素相乘，再累加（ I*K），就得到了一个像素的卷积结果。可以说卷积就像一个筛子，按照一定规则（借助卷积核“乘累加”）对原始图像再加工（实际是一个积分），公式可以描述为：

        来看一个典型的CNN实例，对于分辨率为28*28的图片处理过程：

        其中Conv为卷积层（采用5*5的卷积核，Step为1），实现数据特征提取；Pool为池化层，也称为降采样（Sample），实现数据降维；FC为全连接层，通过一定规则的计算（也可能为卷积计算）得到结果。