机器学习--02CNN

        前提--假设输入的图片是固定大小   目标---分类   输出---是经过softmax整理的1×n向量   向量---长度表示多少种类型，判断图片是什么类型用1表示，其他所有类型用0表示。

        之前都是全连接，一个neuron（参数）要看到整张图片才能判断一个特征，这是没有必要的，所以能进行简化，只要关注小范围就行：方法一就是receptive field来实现，方法二是用filter来实现

方法一：receptive field实现

        最经典的receptive field是只看宽高一般为3×3叫做kernel size，一般同一个receptive field会有一组neuron去关联它。bias就是一个数值乘以各个weight参数×输入的特征

        但是对于同种类型的图片上的相同特征的位置是不一样的，难道每个receptive field与之关联的一组neuron都要加上检测这个特征的neuron吗？而共享参数就是为了解决这个问题，共享参数是说neuron的参数是一样的，但是输入是不一样的，所以输出也就不一样了。cnn就是这样组合而来的：convolutional layer就叫卷积层。

 方法二：filter实现

        输入还是一张图片矩阵，经过filter3×3得到一组新的矩阵，得到的结果为feature map，filter的个数有多个，feature map的个数由filter的个数决定的，一般图片输入channel都是3，但是经过filter之后那么channel会发生变化，feature map的channel=filter的个数。看feature map的3×3其实就是看原图的5×5，所以经过多次的filter之后看的就是整张图片了。

两种方法neuron的参数就是filter，Filter本身每个单元格的值就是不同Nueral共用的参数罢

pooling的作用就是把图片变小--只要部分的特征但是整个图片的重要信息不会丢失

flatten的意思是把矩阵的数值拉直成一个向量，然后再进入到fully connected layer