李宏毅深度学习——25-卷积神经网络

        

        神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks, CNNs)，虽然卷积网络也存在浅层结构，但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从”几层“到”几十上百“不定。

        CNNs目前在很多很多研究领域取得了巨大的成功，例如: 语音识别，图像识别，图像分割，自然语言处理等。虽然这些领域中解决的问题并不相同，但是这些应用方法都可以被归纳为:

        CNNs可以自动从(通常是大规模)数据中学习特征，并把结果向同类型未知数据泛化。CNN是前驱神经网络，前驱神经网络的基本结构如下：

 卷积神经网络的建立通常为输入——卷积——池化——卷积——池化——.......——输出。

 

         其中，一次卷积的过程相当于一次单层神经网络计算，红框中的所有数字和Filter中的对应乘积相加，可以得到一个结果。将image中所有3*3单元格做同样的运算，可以得到第一步特征，如下图的圆圈数字。

         若有多层过滤器，则结果也为多层

         池化是将输出结果做进一步“压缩”，举例如下：

这里将得到的结果（4*4矩阵）做池化，依次选取2*2表格，对表格中所有数字进行维度“归一”，即取一个映射，将四个数字映射成为一个数。此处的映射为取最大值。