卷积神经网络的笔记及自己的理解（主要基于李宏毅老师的CNN课程）

SDU软件学院的一枚大三学生，最近课程有好多要上台做pre，也有好多搞不懂的大作业什么的，决定用CSDN来记录一下。之前做实验都是水过去hhh快要毕业了还是希望有学会一些东西吧。

正文：

忘记是哪里看到的比喻了，感觉很不错：⬇️

“从卷积网络谈起，卷积网络在形式上有一点点像咱们正在召开的“人民代表大会制度”。卷积核的个数相当于候选人，图像中不同的特征会激活不同的“候选人”（卷积核）。

池化层（仅指最大池化）起着类似于“合票”的作用，不同特征在对不同的“候选人”有着各自的喜好。

全连接相当于是“代表普选”。所有被各个区域选出的代表，对最终结果进行“投票”，全连接保证了receiptive field
是整个图像，既图像中各个部分（所谓所有代表），都有对最终结果影响的权利。”

（PPT主要是从台大李宏毅老师的讲课视频中截取的，加上了自己的一些思考或者解释）
我们从一只RGB的猫开始说，想要判断这张图片是不是猫猫，把它丢给一个已经训练好的CNNmodel，每一层的神经元都是通过判断是不是猫猫的鼻子，猫猫的眼睛，猫猫的嘴巴开始“激活”，卷积池化卷积池化卷积池化卷积池化（投票合票投票合票投票合票）……最后经过全连接层的代表普选，对最终结果进行“投票”，来判断这张图是什么，或者说是不是猫。

在BP神经网络中，每一层与每一层之间都是全连接的，参数非常非常的多，但是用卷积神经网络有一个好处就是可以减少参数。主要从：共享参数和池化两方面减少。这个在后面具体讲卷积层和池化层的时候会解释。

那我们先从人眼的角度来看一张图，如果我们想知道这张图是不是一只鸟，脑子里闪现的第一个想法是什么？有翅膀有羽毛有尖嘴，有圆溜溜的眼睛…它的形状弧度和我们当年幼儿园上的简笔画挺像的——所以我们第一眼觉得它是一只鸟？

同理，我们也可以让机器按照我们的脑回路去实现，也就是卷积层中神经元的作用，让每一个神经元来关注：这张图中有没有我负责的part在。“我是负责观察鸟嘴的神经元，只要这张图有鸟嘴，我就被激活了我很兴奋，我觉得这张图很有可能是鸟！”

未完待续