神经网络为什么能实现分类

神经网络算法，以典型的VGG16为例子，该算法是一个典型的多分类（1000类）算法（介绍VGG的时候主要介绍大体思路，可能回略过掉一些零部件，例如激活函数，偏置项等等）

VGG16的输入数据一般是224*224*3的三通道彩色图像，block1：第一层卷积核的规模是64*3*3*3，可以理解为64个3*3*3的小卷积核，参数数量为64*3*3*3=1728个，（卷积核的通道数要和待处理数据的通道数保持一致），第一次卷积的结果是224*224*64，可以理解为经过第一次卷积后，将三通道的图像转化为64通道的图像（图像的width和length没有变是因为卷积时已经扩充）;第二次卷积核的规模是64*64*3*3，参数数量为64*64*3*3=36864（此次的卷积核的通道可以理解为64个多通道的64*3*3），从上层传递来的224*224*64共64个通道，每个64*3*3的卷积核要一次和输入图像进行卷积运算，得到224*224*64的输出结果，然后进行最大向下池化（池化层没有参数），长宽各变为原来的一半，得到112*112*64的输出结果，然后进入block2部分，第一层的卷积核为128*64*3*3，参数数量为128*64*3*3=73728,卷积运算后得到的图像为112*112*128,（卷积运算后的输出数据的通道数等于卷积核的个数）以此类推，依次进行block3,block4,block5部分（经历五次下采样，224->112-

>56->28->14->7)，

最后得到输出结果是7*7*512，然后转到到全连接层，使用flatten函数拉平为一个一维向量：

然后继续经历两次全连接的运算，以第一次为例子，根据矩阵的乘法，第一层的参数数量为

7*7*512*4096，这一层的参数数量及其庞大，几乎占据了绝大部分参数，然后以此类推，最后的输出

结果为1000个值，可以自我理解为每个类别所得的分数，然后进行softmax处理，得出各个类别所对

应的概率。然后进行损失函数，准确率的计算。这里解释一下损失函数（有的被叫作目标函数），损

失描述的是网络模型的预测结果和数据集之间的距离，网络不断优化的主要目的就是减小预测结果和

真实值之间的距离。常见的损失函数有交叉熵误差，均方误差，此处以交叉熵误差为例：

log表示以e为底数的自然对数，yk是网络的输出（预测值），tk对应的是正确解的标签，并且，tk中

只有正确解的标签的索引为1，其他均为0（one-hot)表示。因此，该式子只计算正确解标签的输出的

自然对数。交叉熵误差的值是由正确解标签所对应的输出结果对应的。然后还有准确率accuracy，这

个原理是找出网路输出的最大值所对应的索引，如果和数据集正确类对应索引一致，则表明预测成

功。然后根据损失函数的导数，反向传播，求出网络各个参数的导数（梯度），然后根据随机梯度下

降法更新各层参数，然后再次前向传播，计算损失函数，反向传播，跟新参数。其实整个训练过程就是不

断迭代，训练数据集，更新参数，找到全局最优解，得到一组最优权重参数使损失函数趋于稳定的一

个过程，并不一定要使损失函数的值接近0，这也不可能达到。在使用验证集进行验证的时候将会停止

反向传播，这个过程就是检测你的网络是否真正学习到了东西。

然后现在回过头来想想，为什么神经网络能够做到分类？开始的卷积，每一次卷积都是在提取特征，

浅层感受野较小，浅层卷积提取的是图像中的边缘等信息；中层卷积提取的是图像中的局部信息；深

层感受野较大，深层卷积提取的则是图像中的全局信息。这样，通过加深网络层数，CNN（卷积神经网络）就可以有效地学习到图像从细节到全局的所有特征了（但是不能一直加深）。然后在进行卷积运算的过程，会发现，随着卷积的进行，图像的通道数会越来越多，而不想的width和length越来越小，我自己的理解是通过不断卷积，把三通的图像里面的width和length进行压缩，而对应的特征信息则被转移到多通道里面的各个通道，经过一定时代（epoch）的训练后，损失函数的值趋于稳定（因为在不断的训练下，参数一直在更新，损失函数的值越来越小，从而导致经过损失函数求导，反向传递所求的的梯度也越来越小，根据随机梯度算法的计算公式：

即使学习率还在，但是梯度很小，所以导致参数最后的更新效果几乎消失。（这点近似理解一个负反馈的过程），更新参数的过程可以理解为整个网络模型在进行学习的过程。训练完后，此时我们已经得到了一个似乎还不错的模型。然后使用一张图像来进行测试，（进行测试的时候只进行前向传播）经过前面卷积层的不断卷积，提取各个特征，起初我一直认为最后的判定结果只和最后的输出层有关，为什么它能够做到分类？仔细回看整个过程，它是一层一层的向后传播，后一层提取的对象是上一层所传播过来的，如果没有浅层的铺垫，最后也不可能得到一个正确的结果，网络是根据这些提取的特征来判断物体种类！所以说整个模型的过程都有它自己的妙用！缺一不可！

额，这篇博客主要是我自己对神经网络为什么能够实现图像分类的看法！神经网络这东西我个人认为很玄乎，相信很多学习神经网络算法的伙伴在学习的时候也有相同的感觉！希望我的这些愚见能帮助到大家，当然，我接触深度学习才半年，可能有些地方自己理解错了或者理解偏了，还请路过的大佬能够指点一番！