CNN Explainer

引言： CNN解释器是 CNN可视化的工具，对于小白而言，CNN可视化对于理解CNN有非常的帮助，因此，花了几天的时间，将CNN解释器网站做了一个翻译，还包括安装CNN解释器的过程和相关资料。

CNN解释器地址：CNN Explainer

CNN解释器文献：CNN Explainer: Learning Convolutional Neural Networks with Interactive Visualization

CNN github地址：https://github.com/poloclub/cnn-explainer

CNN解释器安装：https://zhuanlan.zhihu.com/p/141537738 

  （在bi站上看到的安装后界面和CNN解释器地址一样，本地安装的时候出现一些问题，因此建议直接在CNN解释器地址学习即可）

cnn解释器官网主要分为两部分，第一，对于CNN做一个简单的介绍，以及一些概念，如张量，神经元，层，卷积核等，第二部分介绍CNN每一层的结构，输入层，卷积层，激励层，池化层和展平层，以及每一层的结构做了可视化的展示，超参数如步长，填充，及核大小等做了简单的介绍，对于理解CNN相关概念非常有帮助。

什么是卷积神经网络？

在机器学习中，分类器将类标签分配给数据点。 例如，图像分类器为图像中存在的对象生成类标签（例如，鸟、飞机）。 卷积神经网络，简称CNN，是一种分类器，擅长解决这个问题！

CNN 是一种神经网络：一种用于识别数据模式的算法。 神经网络通常由按层组织的一组神经元组成，每个神经元都有自己的可学习权重和偏差。 让我们将 CNN 分解为其基本构建块。

• 张量，可以被认为是一个 n 维矩阵。 在上面的 CNN 中，除输出层外，张量将是 3 维的。
• 神经元，可以被认为是一个接受多个输入并产生单个输出的函数。 神经元的输出在上面表示为红色→蓝色激活图。
• 层，是具有相同操作的神经元集合，包括相同的超参数。
• 内核权重和偏差，对于每个神经元而言，核权重和偏差是独一无二的，但在训练阶段进行了调整，并允许分类器适应所提供的问题和数据集。 它们在可视化教程中中使用黄色→绿色发散色标进行编码。 通过单击神经元或将鼠标悬停在卷积弹性解释视图中的内核/偏差上，可以在交互式公式视图中查看特定值。
• CNN 传达了一个可微分函数，它在输出层的可视化中表示为类分数。

如果您之前研究过神经网络，这些术语对您来说可能听起来很熟悉。 那么是什么让 CNN 与众不同呢？ CNN 使用一种特殊类型的层， 即卷积层，这使它们能够很好地从图像和类图像数据中学习。 关于图像数据，CNN 可用于许多不同的计算机视觉任务，例如 image processing, classification, segmentation,