（CNN）卷积神经网络原理详解，大白话讲解卷积

卷积到底在卷啥？卷积是什么？零基础入门神经网络的小白都会有这样的疑问，其实卷积很简单。卷积神经网络CNN 是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一，在自然语言处理和图像领域中有广泛的应用。

 一、什么是卷积

从数学来说，卷积可以理解为一种类似于加权运算一样的操作。在图像处理中，针对图像的像素矩阵，卷积操作就是用一个卷积核来逐行逐列地扫描像素矩阵，并与像素矩阵做元素相乘，以此得到新的像素矩阵。 这个过程是为卷积。其中卷积核也叫过滤器或者滤波器，滤波器在输入像素矩阵上扫过的面积称之为感受野。

卷积有两个部分，一个图像一个是卷积核，卷积核对图像做平移卷积计算输出新的图像的过程就是卷积。图像在计算机中是一堆按顺序排列的数字，数值为0到255。0表示最暗，255表示最亮。 我们可以把这堆数字用一个长长的向量来表示，类似tensorflow的向量的表示方式。 然而用向量表示的话会失去平面结构的信息，为保留该平面结构信息，通常选择矩阵的表示方式。 有些图片是灰度图，普遍的图片表达方式是RGB颜色模型，即红、绿、蓝三原色的色光以不同的比例相加，以产生多种多样的色光。  这样，RGB颜色模型中，单个矩阵就扩展成了有序排列的三个矩阵，也可以用三维张量去理解，其中的每一个矩阵又叫这个图片的一个通道。  在电脑中，一张图片是数字构成的“长方体”。可用 宽, 高, 深（通道）来描述。卷积神经网络就是让权重在不同位置共享的神经网络。

二、卷积层作用

1. 滤波器的作用或者说是卷积的作用。卷积层的参数是有一些可学习的滤波器集合构成的。每个滤波器在空间上（宽度和高度）都比较小，但是深度和 输入数据一致。直观地来说，网络会让滤波器学习到当它看到某些类型的视觉特征时就激活，具体的视觉特征可能是某些方位上的边界，或者在第一层上某些颜色的斑点，甚至可以是网络更高层上的蜂巢状或者车轮状图案。

2. 可以被看做是神经元的一个输出。神经元只观察输入数据中的一小部分，并且和空间上左右两边的所有神经元共享参数（因为这些数字都是使用同一个滤波器得到的结果）。

3. 降低参数的数量。这个由于卷积具有“权值共享”这样的特性，可以降低参数数量，达到降低计算开销，防止由于参数过多而造成过拟合。

三 、学习卷积神经网络

学习卷积神经网络，我这有一份最全面的《人工智能自学视频》，足足有60G，分享给你!  

有一个宝藏公众号：AI技术星球，回复关键词“289”即可获得一整份全套的AI学习路线。

里面的知识非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLQ、YOLO、机器学习、Pytorch、Tensorflow、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。