一文看懂卷积神经网络

积卷神经网络，简称CNN，是一种深度学习算法，由若干卷积层、池化层，以及全连接层，组成的神经网络。它的特点是可以提取输入数据的有效特征，并进行归类。

卷积层是CNN中的基本单元，它能够抽取输入数据的特征。比如，如果输入的是一张图片，卷积层可以抽取图片中的边缘、纹理、颜色等特征，卷积层中会使用大量的权重参数，每个参数都会与输入中的一部分相乘，然后将乘积求和，得到卷积层的输出。

假如我们有一张图片，大小4x4，图片中的数字代表该位置的像素值，像素值越大，颜色越亮。卷积核就是一个“滤波器”，大小3x3。然后将这个卷积核心覆盖到图片上，将对应的元素相乘且求和。每计算一个区域后，就向其他区域挪动，接着计算，直到把原图片的每一个角落都覆盖到为止，不断地提取特征后，从而进行图像的识别，输出了一个2X2的卷积结果。

卷积操作示意图

全连接层是CNN中最后的一个基本单元，它的功能是将上一层提取到的特征转化为最终的分类结果。全连接层会使用一组可学习的权重参数，将上一层的特征与权重参数相乘，然后求和，得到最终的分类结果。例如，因卷积层的作用只是提取特征，但是很多物体可能都有同类特征，如果只用局部特征的话不足以确定整个图片的具体类型。这时就需要使用组合特征来判别了。全连接就是组合这些特征来对图片进行最终归类。

例如，我们要识别一张图片上的动物是不是猫。假设使用的神经网络模型已经训练完了，全连接层已经知道当提取到某些特征的组合，就可以将这个图像归类为猫。

在不断地卷积和分类的过程中，通过像素特征提取到了眼睛、耳朵、嘴、下巴，又通过全连接层的归类，输出了动物头部结果。

同理，尾巴、腿等各部分被识别之后，经过全连接层的特征组合、权重归类，最终输出结果为“猫”。

请扫码关注微信公众号，我们有更多相关信息，欢迎随时留言