在近些年，深度学习范畴的卷积神经网络(CNNs或ConvNets)在各行各业为咱们处理了许多的实践问题。可是关于大多数人来说，CNN似乎戴上了奥秘的面纱。我常常会想，要是能将神经网络的进程分化，看一看每一个进程是什么样的成果该有多好!这也便是这篇博客存在的含义。

高档CNN

首要，咱们要了解一下卷积神经网络拿手什么。CNN首要被用来找寻图片中的形式。这个进程首要有两个进程，首要要对图片做卷积，然后找寻形式。在神经网络中，前几层是用来寻觅鸿沟和角，跟着层数的增加，咱们就能辨认愈加杂乱的特征。这个性质让CNN十分拿手辨认图片中的物体。

CNN是什么

CNN是一种特别的神经网络，它包括卷积层、池化层和激活层。

卷积层

要想了解什么是卷积神经网络，你首要要知道卷积是怎样作业的。幻想你有一个5*5矩阵表明的图片，然后你用一个3*3的矩阵在图片中滑动。每逢3*3矩阵经过的点就用原矩阵中被掩盖的矩阵和这个矩阵相乘。这样一来，咱们可以运用一个值来表明当时窗口中的所有点。下面是一个进程的动图：

正如你所见的那样，特征矩阵中的每一个项都和原图中的一个区域相关。

在图中像窗口相同移动的叫做核。核一般都是方阵，关于小图片来说，一般选用3*3的矩阵就可以了。每次窗口移动的间隔叫做步长。值得留意的是，一些图片在鸿沟会被填充零，假如直接进行卷积运算的话会导致鸿沟处的数据变小(当然图片中心的数据更重要)。

卷积层的首要意图是滤波。当咱们在图片上操作时，咱们可以很简单得检查出那部分的形式，这是由于咱们运用了滤波，咱们用权重向量乘以卷积之后的输出。当练习一张图片时，这些权重会不断改动，并且当遇到之前见过的形式时，相应的权值会进步。来自各种滤波器的高权重的组合让网络猜测图画的内容的才能。 这便是为什么在CNN架构图中，卷积进程由一个框而不是一个矩形表明; 第三维代表滤波器。

留意事项：

卷积运算后的输出不管在宽度上仍是高度上都比本来的小

核和图片窗口之间进行的是线性的运算

滤波器中的权重是经过许多图片学习的

池化层

池化层和卷积层很相似，也是用一个卷积核在图上移动。仅有的不同便是池化层中核和图片窗口的操作不再是线性的。

***池化和均匀池化是最常见的池化函数。***池化选取当时核掩盖的图片窗口中***的数，而均匀池化则是挑选图片窗口的均值。

激活层

在CNN中，激活函数和其他网络相同，函数将数值压缩在一个规模内。下面列出了一些常见的函数。

在CNN中最常用的是relu(批改线性单元)。人们有许多喜爱relu的理由，可是最重要的一点便是它十分的易于完成，假如数值是负数则输出0，不然输出自身。这种函数运算简略，所以练习网络也十分快。

回忆：

CNN中首要有三种层，分别是：卷积层、池化层和激活层。

卷积层运用卷积核和图片窗口相乘，并运用梯度下降法去优化卷积核。

池化层运用***值或许均值来描绘一个图形窗口。

激活层运用一个激活函数将输入压缩到一个规模中，典型的[0,1][-1,1]。

CNN是什么样的呢?

在咱们深化了解CNN之前，让咱们先弥补一些布景常识。早在上世纪90年代，Yann LeCun就运用CNN做了一个手写数字辨认的程序。而跟着年代的开展，尤其是计算机功能和GPU的改进，研究人员有了愈加丰厚的幻想空间。 2010年斯坦福的机器视觉实验室发布了ImageNet项目。该项目包括1400万带有描绘标签的图片。这个简直已经成为了比较CNN模型的规范。现在，***的模型在这个数据集上能到达94%的准确率。人们不断的改进模型来进步准确率。在2014年GoogLeNet 和VGGNet成为了***的模型，而在此之前是ZFNet。CNN应用于ImageNet的***个可行比如是AlexNet，在此之前，研究人员企图运用传统的计算机视觉技能，但AlexNet的体现要比其他一切都高出15%。让咱们一同看一下LeNet：

这个图中并没有显现激活层，整个的流程是：

输入图片 →卷积层 →Relu → ***池化→卷积层 →Relu→ ***池化→躲藏层 →Softmax (activation)→输出层。

让咱们一同看一个实践的比如

下图是一个猫的图片：

这张图长400像素宽320像素，有三个通道(rgb)的颜色。

那么经过一层卷积运算之后会变成什么姿态呢?

这是用一个3*3的卷积核和三个滤波器处理的作用(假如咱们有超越3个的滤波器，那么我可以画出猫的2d图画。更高维的话就很难处理)

咱们可以看到，图中的猫十分的含糊，由于咱们运用了一个随机的初始值，并且咱们还没有练习网络。他们都在互相的顶端，即便每层都有细节，咱们将无法看到它。但咱们可以制作出与眼睛和布景相同颜色的猫的区域。假如咱们将内核巨细增加到10x10，会产生什么呢?

咱们可以看到，由于内核太大，咱们失去了一些细节。还要留意，从数学视点来看，卷积核越大，图画的形状会变得越小。

假如咱们把它压扁一点，咱们可以更好的看到颜色通道会产生什么?

这张看起来好多了!现在咱们可以看到咱们的过滤器看到的一些工作。看起来赤色替换掉了黑色的鼻子和黑色眼睛，蓝色替换掉了猫鸿沟的浅灰色。咱们可以开端看到图层怎么捕获照片中的一些更重要的细节。

假如咱们增加内核巨细，咱们得到的细节就会越来越显着，当然图画也比其他两个都小。

增加一个激活层

咱们经过增加一个relu，去掉了许多不是蓝色的部分。

增加一个池化层

咱们增加一个池化层(脱节激活层***极限地让图片愈加更简单显现)。

正如预期的那样，猫咪变成了斑斓的，而咱们可以让它愈加斑斓。

现在图片大约成了本来的三分之一。

激活和***池化

LeNet

假如咱们将猫咪的图片放到LeNet模型中做卷积和池化，那么作用会怎样样呢?

总结

ConvNets功能强壮，由于它们可以提取图画的中心特征，并运用这些特征来辨认包括其间的特征的图画。即便咱们的两层CNN，咱们也可以开端看到网络正在对猫的晶须，鼻子和眼睛这样的区域给予许多的重视。这些是让CNN将猫与鸟区分隔的特征的类型。

CNN是十分强壮的，尽管这些可视化并不***，但我期望他们可以协助像我这样正在测验更好地了解ConvNets的人。