神经网络通俗讲，麻瓜变大神(三)-卷积神经网络

系列目录:
神经网络通俗讲，麻瓜变大神(一)-初识神经网络
神经网络通俗讲，麻瓜变大神(二)-解释非线性
神经网络通俗讲，麻瓜变大神(三)-卷积神经网络

其实CNN（网络）很简单，先上图:

可以看到，MLP和CNN之间的差别其实就是CNN多了一层CONV(卷积层)和一层POOLING（池化层）。
那么这两层有什么作用呢？
其实卷积池化完全可以是看作网络自动帮你提取特征的过程，那么如何理解这个特征提取呢？
CONV卷积的计算,其实很简单：
有几个元素:
1.filter,可以理解为对一张图像提取特征的助手，这里为(2*2)大小，500个filter助手，然后每一次fliter和
2.stride=1，可以理解为filter在(4*4)image上滑动步伐的大小，这样一步一步的滑动，就像落叶一卷而过，所以才叫卷积神经网络
3.featrue map(特征图)，即每一次filter和image上的框进行计算，都会计算出一个值，然后这个值就是featrue map上的一个点，这里每个filter计算完后都得到(4*4)大小的特征图，
这里的特征图总共有500个，可以理解为对原始图像image,提取出了500张不同的特征图。

POOLING的计算，比conv更简单，可以看作是对特征图进行压缩的过程:
有几个元素
1.bins,相当于conv中没有w权重的filter，只是一个框。
2.stride=1，步长
3.有Max pooling,mean pooling两种
4.如何反响传播
Max pooling 之前最大值的位置保留，其它全为0
mean pooling 平均到每一个点

这里可以看看原始图像和经过卷积以后图像对比，keras 模型参数，模型保存，中间结果输出