由“特征提取”引入“卷积神经网络”

一、特征提取

1.传统机器学习中，特征提取是人为选定明显的数据特征。作数据训练时：人为选定特征+分类器"。对于高维空间的特征，人是很难看出来的。

2.针对此难题，机器学习中催生了"特征工程"的方法。

Ps：特征工程存在问题：在于不同的数据、不同的问题中的好的特征都是不同的。eg：在图像处理中，好的特征，往往不适用于语音信号处理；甚至两个同样是图像识别的任务，因为所包含的数据不同，对应的好的特征也不同。该方法主要是依赖于经验和运气

3.于是，深度学习提出了"卷积神经网络"作为特征提取器。卷积神经网络，从字面上包括两个部分：卷积＋神经网络。其中，卷积就是特征提取器，而神经网络，可以看作分类器。训练一个卷积神经网络，就是同时训练了特征提取器 (卷积) 和后面的分类器 (神经网络)。

Ps：用函数的角度来看，传统的分类模型：y = f( x, θclassifier )调试只有分类器中的参数“θclassifier”。卷积神经网络分类模型y = f( x, θfilter, θclassifier )可以调试特征提取器中的参数θfilter+分类器中的参数θclassifier。

二、卷积神经网络

1.卷积神经网络如何提取特征

1.图像在计算机中的存储

1.黑白（灰度）图像（以数字8为例）

• 对数字8进行放大，会发现图像失真，出现一个个小的像素块（Pixels），通常我们所提及的图像的维度H*W（即：图像的尺寸就是图像的高度（H）和宽度（W）上的像素数）