CNN（卷积神经网络）的一些简单理解

  卷积神经网络，就是利用和人大脑相似的原理来进行工作的，人脑是怎么工作的，就是通过一系列的神经元来进行感知，兴奋，传递信息的，就比如你看到一束花，你的视觉神经元兴奋，然后就将这种花图像的神经元信号传递给大脑，然后大脑进行是做相关的处理。

        上面说了神经元要兴奋，可是怎么就能让自己训练的CNN网络中（神经元）兴奋呢，哈哈这里我叫神经元就不合适了，因为在CNN网络中是没有神经元这一概念的，他其实就是一堆滤波器，因为滤波器你设定的不一样，他对一些特定的图案，或者形状，就会有不一样的输出，比如你设定的一个滤波器对数字1这个形状比较感兴趣（感兴趣其实就是一个滤波器输出值而已）值越大证明这个图案和1特别相近，这时你输入一个2，他就不感兴趣了，相应的你的输出值就会变小。

        下面说一说具体的CNN网络的实现过程，在这之前我再重复一遍，训练卷积神经网络，其实就是在训练一个个的滤波器（很容易理解的），这就相当于人脑中的神经元，不是都说人学习的过程就是在建立一个个神经元的过程吗，网络构建中就是在建立一个个的滤波器。滤波器与图像做卷积大家应该都会吧。

        好了废话说了好多，直接开始吧，训练卷积层，从第一层开始吧，比如第一层你定义6个filter（滤波器），这是你的这个神经网络第一层就可以对6类特征感兴趣，比如你输入的是一张64*64 的灰度图像，通过卷积神经网络就会输出64*64*6，不同的filter对特定的图形，图案有这高的输出，比较高端的说法就是激活函数，从而才能达到识别特定的特征的目的，数学嘛，玩的不就是一堆数吗，离开数，数学什么也做不了（当然这只是我自己的理解，见笑了）。

    一般卷积层的第一层都是来识别一些简单的特征，往专业上说就是一些低阶的特征，比如一些边，角，线段等等，加上后面层数的话，就可以识别更多的特征（就是第一层特征的一些组合），简单特征组合就可以组成复杂的特征，图案不就是一些点和线组成的吗，这样就可以对较复杂的特征进行识别了。

        就好像第二层的输入就是第一层的输出，后一层的输入都是前一层的输出，第一层识别一些边边角角，第二层把这些边边角角组合，比如一些圆，正方形，三角形等。从低阶特征逐渐到高阶特征的过程，不就正是我们人学习的过程吗，不会走是学不会跑的，你不会1+1.怎么能学会后面的乘法，除法。

    最后总结下吧，CNN就是这样一个有简单到复杂的过程。一开始建立一些自己人为设定的filter，当然开始的时候，神经网络是不知道什么东西是自己感兴趣的，他对所有的特征都是平等对待的（不会对任何特征进行识别），后面我们需要做的事情就是通过改变这些filter的weight（权重），权重说简单点就是一个系数，值越大，说明占的权重越大，反之越小。改完权重之后，CNN就知道你对那些东西感兴趣了，然后通过一层一层的迭代，就会达到你要识别的目的了。

    把一个空白的filter，通过改变weight就可以变成你想要的那个识别特定特征的filter，这就是CNN所要做的工作，这里边就需要用到反馈了，输出影响这输入，你设定一个损失函数MSE，别被这个吓到，就是看你的权重合适不合适，你的权重到合适的时候这个损失函数就不会起作用了，就不会影响你的output，我们做的就是让MSE的输出，暂且顶他为S，反馈给CNN，以修改filter的weight，是S达到最小，这个过程就是我们优化方法中的最优解问题，这里就不做详细的介绍了。

    以上就是通俗的CNN网络建立的过程。如果有什么理解错误的地方，希望大家留言指正。