初识CNN

终于学到CNN了，great。上个假期看的imooc的tensorflow实现CNN完全没法理解是什么意思，现在终于明白了

一、 卷积层

    不同于ANN，我们的CNN是并不是想象成结点形式进行计算，他会想象成一个带厚度的矩阵。每一层代表了一个特征（垂直线条、水平线条）。将这些矩阵一次次计算，最后得到一个一维输入。这个一维输入可以看作图像处理的输出。将这个一维向量放入ANN中进行计算，得到预测的结果

    ① 过滤器filter，所谓过滤器，只不过是一个指定大小的矩阵。而过滤器的计算并不是矩阵乘法，只是将每一个地方的数值进行相加，quiet simple。（）

我们已经知道了filter是怎么用的。

其实filter有一个特性，就是说他会利用矩阵的乘法使得计算的结果保留特殊的纹理（见下图）

http://setosa.io/ev/image-kernels/

这里贴一个巨神的网站，非常好的帮助我们理解filter。

 ② 池化层。当时学的时候吓死劳资了，网上的博客说的和玄学一样，极大的打击了我的信心。什么池化层？一句话描述：通过对特定位置的矩阵中元素取最大值或者平均值，减小矩阵的规模、提高计算效率

 ③ stride和paddle，无需赘述。明白了这三个，如何卷积我们就搞懂了。

二、 如何计算

    ①说到底，计算的是带有一定厚度的矩阵，每个矩阵带有一个特征。以彩色照片为例

三层，分别代表三个颜色，每一层矩阵记录了信息

重点来了！！！！！

我的filter，为了计算这个，无疑也是三层，但是他会将三层一并计算，得到一层

但是我们不止一个filter啊，假如我们有100个filter，就可以得到当前大小且深度为100的矩阵。

我们想一下，这个是不是跟我们一开始的三层狗狗矩阵很像了？

接着继续重复，filter -> pooling -> relu

对，就是这样，很简单的。