CNN卷积神经网络

（声明：本文章是在学习他人视频的学习笔记，图片出处均来自该up主，侵权删 up主链接：同济子豪兄的个人空间_哔哩哔哩_bilibili）

卷积神经网络就像一个黑箱，有输入和输出，输入是一个图像阵列也就是一个图片，输出就是这个图片是啥 

比如说图片是一个X那么它就输出一个X，O就输出一个O 

 就算这个图片经过一些变换，它的结果仍然不变，并不会被误导也就是它的鲁棒性和抗干扰能力比较强

对于计算机来说要识别一些变换的图像是非常难的 

但是我们可以通过识别这些不变的关键点来识别变换后的图形，识别出它与原图的相似性 

 那么卷积神经网络是怎么运算的呢？

 绿色区域为图片像素矩阵，CNN将黄色区域的值算出来并记录在粉色区域

直到算到最后一个区域 

 将X图像与它的三个特征作卷积运算就会得到旁边这三个特征图（feature map），仔细看你会发现这三个feature map会与他们做卷积的特征图相似，说明X图像中含有这三个特征，但如果你用O的图像与这三个特征图做卷积运算得出来的feature map就不会与原来的特征图相似，是一个乱码图

但在实践运用中需要检测的特征点太多了，每个都作卷积运算的话，这个运算量是非常非常大的，因此我们需要对图像进行压缩，即进行池化（pooling） 

如图就是池化，将原来20×20的图像变为2×2的图像 ，这样做注定会丢失一部分数据，但这是在我们可接受的范围内的

 

池化分为两种：一种是最大值池化（将区域内的最大值来代替这个区域的所有值），另外一种是平均值池化（将区域内的所有数的平均值来代表这个区别的所有值）

 在进行最大值池化后，可以发现这个feature map仍然保留了对角线的特征

 ReLUs是对所有小于0的值取0 

 我们反复的进行卷积、ReLUs、池化就可以得到一个很小的feature map

 再把这些值进行全连接，就是feature map的每一个值拿出来排列

feature map的每一个数字都有它的权重，把数字乘以权重再加起来就可以得到是X的概率 

 每一个像素的权重，最后算完得出X的概率为0.92