1.CNN的定位
CNN属于深度学习中的一类典型神经网络，是一种前馈神经网络，它采用的是SGD（随机梯度下降）算法，它的人工神经元可以相应一部分覆盖范围内的单元，在图像处理方面的表现十分出色。
CNN在模式分类领域，因其避免了对图像的前期的预处理，所以它可以直接输入图像得到结果。
2.CNN的构成
- 卷积层
- 池化层
- 全连接层
3.CNN的核心思想
-
局部感知
图像的局部感知跟人对外界的感知类似，都是从局部到整体，图像的空间联系也是局部的像素较为紧密，so，只需要神经元对局部进行感知，最后再综合起来；
-
参数共享
- 对输入的图片，用一个或多个卷积核来扫描，卷积核自带的参数就是所说的权重w；
- 同一个卷积核扫描的图层中，每个卷积核使用的同样的参数进行权重的计算（就是内积，后面会讲）；
- 参数共享意味着：每一个卷积核在遍历整个图像的时候，卷积核的参数固定不变，就是每次内积的那个数不变。
4.CNN的核心流程
- 输入图像,进入卷积层,卷积核(可以看作二维矩阵)开始遍历图像(一个卷积核就提取一个特征),每次和图像上与卷积核矩阵一样大的区域(就是两个矩阵的乘法)进行内积,得到一个矩阵(这个矩阵就是一个特征图);
- 对特征图池化，就是取矩阵里面最大的数（或者最小的数，平均数等等方式），去某个数作为代表，输出去；
- 以此类推，用不同的卷积核就有不同的多个特征图，以此类推，不断卷积池化，直到提取完所有特征，就会得到多张特征图；
- 最后，把所有的特征图拉伸开，得到一个全连接层，然后输出。
确实文字难以描述，用一个图来理解：
如图：每一次内积得到一个数，最后把所有数拼成一个矩阵，这个矩阵就是一次卷积得到的特征图，然后进行池化，选出一个代表这个特征图的数，就完成一次卷积池化，然后多个卷积核多次卷积池化：
卷积核的计算：
提取多个特征图，最后全连接：
5.输入三维或更高维张量
输入三维就是输出三维张量，维数输入输出是对应的，如下图输入输出均为三维，卷积池化过程不变，只不过更多次：
6.最后，总结
-
CNN属于一种前馈神经网络，采用的是SGD算法，在图像处理方面的表现十分出色；
-
CNN由卷积层，池化层，全连接层组成；
-
核心思想：局部感知+参数共享；
-
核心流程：
- 对输入的图片，用一个或多个卷积核来扫描，每一次卷积中卷积核的参数固定不变，结束一次卷积进行一次池化，选出最具代表的一个特征；
- 多次卷积池化，得到多个代表特征，把它们拉伸全连接输出；
-
拓展到高维：每一层一个结果，最后输出的就是一个三维的立体。