勉强总结的卷积神经网络的基础工作原理

1.图片在计算机眼中是无数由0和1组成的信号，假如有一张字母"X"的图片，"X"由许多像素组成，这些组成X的像素被视为1，而其余空白地区的像素被视为0.

2.当要识别X时，并不会以X作为一个整体来识别，因为这样，只要X稍微变化，计算机就会识别失败。因此，需要先提取X这个图片的特征，比如中间有一个×。

3.将这个特征交给计算机，使它在观察一张图片时不断寻找相似的部分，相似程度的计算背后有一套数学程序

4.卷积：假设计算机以9×9为单位寻找相似点，它会将自己手中的特征与图片上的像素点一个一个对应，如果一致则视为1，不一致则视为0，最后，将九宫格内所有的数字加起来，除以格内像素的总数，也就是81，得出以一个九宫格为单位的匹配程度，将该数字记录在九宫格中心。对所有九宫格做此操作后，只保留所有九宫格的中心，就得到了压缩后的图片，这个过程就是卷积

5.对每一项不同的特征都进行卷积，最终都能得到一张表现特征位置的地图，这就是卷积层

6.池化：为了进一步收缩图片，需要进行池化（pooling），即选择一个window作为单位，通常是2×2或3×3，遍历所有的window,只保留每个window里的最大值。池化能够收缩图片，并使得特征的位置不再那么敏感

7.对卷积层进行池化，得到池化层

8.正则化：检查每一个格子的匹配值，将所有负数改为0

9.不断重复卷积，池化，正则这个流程，最终会得到一个很小的特征地图（2×2），将这个特征地图以一列的形式表现出来，这个数列中的每一个数都可以代表一个votes,如果图片接近X，那么这个votes就会高

10.最终，将votes和输入的图片进行对比，如果输入的是需要识别的图片，votes是0.8,那么误差就是1-0.8 = 0.2
如果输入的是错误的图片，votes是0.8，那么误差就是0.8-0 = 0.8

11.不断调整权重，并观察最终的误差，以减小误差为目标

12.影响误差的参数可能有（超参数）：特征（卷积核）的数量，特征图片的大小，池化window的大小，池化window的跨度？，神经网络层数

13.在架构上，还需要考虑每种layer需要几个，以什么样的顺序执行

14.CNN的缺陷在于，如果信号不能被转化成图片的形式，CNN就无法应用。如果数据在交换任何列后和原来的用处相当，就不能使用CNN