卷积神经图像识别

1，对某一特征进行卷积

例如对这个十字形进行卷积

使用的图形为

 例如某一个进行二进制化的图片

 原本为5*5的大小，用三乘三进行卷积的处理后就会变为一个三乘三的模块，卷积的具体过程为3*3的模块对应位置进行相乘后相加，然后进行平移和上下移动

通过多次卷积可以放大特征

2池化

池化分为很多种，我们现在的使用一般为最大值池化，即如果是用一个2*2的方块大小进行池化，就会

在这个2*2的格子中取最大值 

3具体的使用

卷积和池化一般而言都会联合使用，即单次卷积后进行池化以突出特征值，然后进行重复这一过程，得到最大的特征值

注意这一部分的卷积可能会遇到问题，即例如一个原本为5*5的图像在被三乘三的图像进行卷积后的大小将会缩减为3*3,

多次的卷积将会是原图越来越小，此时我们需要在原图的周围进行补0

 保证图片的大小在卷积后仍然保持不变（这边好像画成6行了）

前面所有的步骤都是为了提取特征（理论上我觉得次数越多越好，但是实际上我发现除了过拟合现象外，似乎并不一定成正相关）

最后就是构建全连接层，通过梯度下降算法进行优化

ps现在具体代码没搞完，也就在这几周了，图片进行反转和亮度调节可以通过学习提高准确度，增加学习的样本容量