莫烦python|Tensorflow笔记--什么是卷积神经网络CNN

卷积网络是近些年来逐渐兴起的人工神经网络结构，因为利用卷积神经网络在语音和图片方面识别能够给出更优秀的测试结果，这种技术也被广泛的传播和应用，卷积神经网络最常被应用的方面是计算机图片识别，不过因为它的不断创新，它也应用在了视频分析、自然语言处理、药物发现等等，近期最火的AlaphGo能看懂围棋同样也是应用到了这门技术。

我们来说说卷积神经网络具体是如何运作的吧，举一个识别图片的例子，我们知道神经网络是由一连串的神经层组成，每层神经层里面存在着很多神经元，这些神经元也是神经网络识别事物的关键，每种神经网络都会有它的输入值和输出值。当输入是图片的时候，实际上并不是那些色彩缤纷的图案，而是一堆堆的数字，当神经网络需要处理这么多输入信息的时候，也就是卷积神经网络可以发挥它优势的时候。

那么什么是卷积神经网络呢？我们先把卷积神经网络这个词拆开，卷积和神经网络。卷积也就是说神经网络不再是对每个像素的输入信息做处理，而是对图片上每一小块像素区域的处理，这种做法加强了图片信息的连续性，使得神经网络能看到图形而非一个点，这种做法同时也加深了神经网络对图片的理解。具体来说，卷积神经网络有一个批量过滤器，持续不断的在图片上滚动，收集图片里的信息，每次收集来的信息只是收集来的一小块像素区域，然后把收集来的信息进行整理，这时候整理出来的信息有一些实际上的呈现，比如说这时候的神经网络能看到一些边缘化的信息。然后再以同样的步骤用类似的批量过滤器扫过产生的这些边缘信息，神经网络用这些边缘信息总结出更高层的结构，比如说总结出的边缘信息能够总结出鼻子眼睛等等。再经过一次过滤，脸部的信息也从这些眼睛鼻子的信息中被总结出来。最后我们再把这些信息套入几层普通的全连接层网络进行分类，这样就能得到输入的图片能被分类为哪一类的结果了。

我们截取一小段google介绍卷积神经网络的视频具体来说说图片是如何被卷积的。这是一张猫的图片，图片有长宽高三个参数，对，图片是有高度的，这里的高度指的是计算机产生颜色使用的信息。如果是黑白照片的话，高的单位只有1；如果的彩色图片的话，就可能有红绿蓝三种颜色的信息，这时的高度为3。

我们以彩色图片为例子，过滤器就是影像中不断移动的东西，它不断的在图片中收集小批小批的像素块收集完所有信息后，输出的值我们可以理解成一个高度更高，长和宽更小的图片。这些图片包含了一些边缘性信息。

然后以同样的步骤再进行多次卷积，将图片中的长宽再次压缩，高度再次增加，就有了对输入图片更深的理解。将压缩增高的信息嵌入了普通的分类神经层上，我们就能对图片进行分类了。

研究发现，在每一次卷积的时候，神经层可能会无意的丢失一些信息，这是池化pooling 就可以很好的解决这样的一个问题，也就是说，在卷积的时候我们不压缩长宽，尽量的保留更多的信息，压缩的工作就交给池化了，这样的一项附加工作就能很有效的提高准确性，有了这些技术，我们就可以搭建一个属于我们自己的卷积神经网络了。

比较流行的一种搭建结构是这样从下到上的顺序，首先是输入的图片image，经过一层卷积层convolution，然后再用池化pooling的方式处理卷积的信息，这里使用的是max pooling的方式，然后再经过一次同样的处理，把得到的第二次处理的信息传入两层全连接的神经层 fully connected，这也是一般的两层神经网络层，最后再接上一个分类器classifier进行分类预测。这仅仅是对卷积神经网络在图片处理上的一次简单的介绍。