目录
1.前言：
2.CNN的卷积过程：
3.CNN的池化过程：
4.CNN的激活过程：
5.总结：
1.前言：
神经网络在好几年前出现感觉像是一个降维打击，适用的场景包括股市分析，环境监测，医学影像，生物信息基因序列等等等等，最近这几年来，随着越来越多的人去了解神经网络后，神经网络已经是火的一塌糊涂了。而毫不夸张的说，现在处在的这个人工智能的时代，我们作为参与者或多或少会用过的一些东西，可能这些东西背后的算法就是神经网络，但是我们却不会察觉，现在已经是一个神经网络普及的时代。今天上了郑麟老师的深度神经网络的课后，结合前段时间看的CNN可视化视频，以及自己之前对卷积神经网络的一些了解，现在我对CNN又有了一个全新的认知，所以我迫不及待的想将我的自己对卷积神经网络的个人愚见分享给大家。
2.CNN的卷积过程：
为什么有卷积神经网络这个词？其实卷积神经网络可以拆分为“卷积”和“神经网络”来分别理解。之所以叫做卷积，是因为该网络引入了卷积核用来提取图像特征。人类在辨别一张图片的时候就会不自觉的寻找图片的特征，比如看到大象的图片就会寻找它的长长的鼻子，看到兔子的时候就会自动的寻找它长长的耳朵，我们在看到一张图的时候会不自觉的分析它的局部进行判断，用卷积核可以很好的对把这些特征提取出来。大家可以想象一下航拍中国的画面，航拍的粗粒度大机器就可以想象成卷积核，拍摄的时候你肯定一眼就可以看到城市的一些标志性大建筑吧，这种大机器就是粗粒度的大机器航拍，这种航拍的优点是可以提取城市的大建筑（对应于图像的大特征，用大卷积核），但是缺点就是你看不到路上的行人，所以引入细粒度小机器，这种小机器像素就十分高，可以拍到行人（对应于图像的小特征，用小卷积核）。用小卷积核提取小特征我们叫增大感受野。举个例子：
这是字母X，局部特征有3个，分别是：
将这幅图片矩阵化：（1表示白色，-1表示黑色）
接着，对X的3个特征分别构造3个不同的卷积核：
用卷积核扫描原始图像，将对应位置的元素相乘后相加，用一个新的矩阵记录计算后的值，这个操作就是“卷积”
当被扫过的位置与卷积核的特征越接近，计算得到的数值越大，在结果图片中颜色越亮，也就自然的将特征提取了出来。单个卷积核用于处理单个特征，而一幅图会有多个特征，我们会考虑用多个层多个不同的卷积核对一幅图的多个特征进行提取，多次卷积后的图像会比原来的小一点，但是还是很大，也容易提取太多弱的特征，所以为了让图像的信息更加凝结，需要进行压缩降维，我们这里引入“池化”操作。
3.CNN的池化过程：
为什么需要池化操作呢？其实，池化层的目的就是减少输入值的大小来降低输出值的数量。你可以理解为对一块区域内的结果取等效值，这里的等效值指的是最大值或者平均值。可能你会疑惑，为什么要取最大值或者平均值呢？因为图像中相邻的像素倾向于具有相邻的值，因此通常卷积层相邻的输出像素也具有相似的值，这意味着卷积层输出中包含的大部分信息都是冗余的（信息冗余），通过取最大值或者平均值就可以很好的解决了这个信息冗余的这个问题。经过池化后，图像的大小就会显著的降低。池化可以加快运算速度，也可以避免过拟合的发生，提高神经网络的泛化能力。
4.CNN的激活过程：
激活层主要的目的是对池化层的输出做一个非线性映射，至于为什么要进行非线性映射，是因为让多层的神经网络具有实际意义。举一个例子，现在给你一个池化后的矩阵如下图，这个矩阵在卷积核池化操作后得到的很可能是不同负数和不同的正数，而这些不同负数和不同的正数是体现不出图形的特征的，所以我们可以通过激活层来把特征提取出来，我们现在用一个ReLU激活函数，规定大于0的数x都是x，小于0的数x变成0，这个ReLU激活函数对矩阵处理一下户，一下子图片的特征就被提取出来了。我这里举的这个例子是用ReLU函数，实际情况你不一定要这样子用，你可以很多种激活函数换着来试试，哪个效果好用哪个。
5.总结：
卷积，池化，激活只是3种不同的操作，可以重复的拼接组合以达到含有最佳特征的图像，至于怎么组合和选取，那就是因人而异了。最后，可以将含有不同特征的二维图像展成一维后，输入全连接神经网络进行训练。
