摘要： 何為卷積神經網絡，它來自何方？又要走向何處？跟著作者的節奏，一起來開始探索CNN吧。

卷積神經網絡聽起來像一個奇怪的生物學和數學的組合，但它是計算機視覺領域最具影響力的創新之一。2012年是卷積神經網絡最流行的一年，因為Alex Krizhevsky用它贏得當年的ImageNet競爭（基本上算得上是計算機視覺的年度奧運），它將分類錯誤記錄從26％降至15％，這是驚人的改善。從那時起，深度學習開始流行起來，Facebook使用神經網絡進行自動標記算法，Google進行照片搜索，亞馬遜的產品推薦，家庭飼料個性化的Pinterest，以及以搜索為基礎設施的Instagram。

?

今天我們來看看在圖像處理中如何使用CNN進行圖像分類。

1.空間問題

圖像分類是輸入圖像并輸出類（貓，狗等）的任務，或是最能描述圖像的類的概率。對于人類來說，這個任務是我們從出生的那一刻開始學習的第一個技能之一。我們人類能夠快速，無縫地識別我們所處的環境以及我們周圍的對象。當我們看到一個圖像，甚至只是看著我們周圍的世界，大多數時候，我們能夠立即刻畫場景，并給每個對象一個標簽，所有這些都沒有意識到注意。能夠快速識別模式的這些技能，從先前的知識推測出來，適應不同的圖像環境是我們的特長。我個人覺得這是人類三維視角的獨特的優勢，相較于機器的二維視角。

?

2.輸入和輸出

當計算機看到圖像（將圖像作為輸入）時，它將看到的是像素值的數組。根據圖像的分辨率和大小，它會看到一個32 x 32 x 3的數組（3是RGB值）。我們假設我們有一個JPG形式的彩色圖像，其大小是480 x 480.代表性的數組將是480 x 480 x 3。這些數字中的每一個都給出一個從0到255的值，它描述某個點的像素強度。這些數字在我們進行圖像分類時對我們毫無意義，但它是計算機可用的唯一輸入。所以，這在人類的潛意識中是非常困難的。

3.我們想要電腦做什么

現在我們知道了問題以及如何輸入和輸出，讓我們考慮一下如何解決這個問題。我們希望電腦能夠區分所有的圖像，并找出識別狗或識別貓的獨特功能。當我們看一只狗的照片時，如果圖片具有可識別的特征，例如爪子或四條腿，我們可以對其進行分類。以類似的方式，計算機能夠通過尋找諸如邊緣和曲線的低級特征，然后通過一系列卷積層來構建更抽象的概念來執行圖像分類。這是CNN功能的總體概述，我們來詳細了解一下。

3.1生物連接
首先你要有一點生物學背景。當你第一次聽到“卷積神經網絡”一詞的時候，你可能會想到與神經科學或生物學有關的東西。CNN確實從生物學中的視覺皮質獲得啟發，視覺皮層是具有對視野的特定區域敏感的細胞區域，而且特定區域一般很小。這個想法在1962年由Hubel和Wiesel的實驗產生的。Hubel和Wiesel發現，所有這些神經元都被組織在一個柱狀結構中，并且它們一起能夠產生視覺感知。具有特定任務（視覺皮層中的神經元細胞尋找特定特征）的系統內的專門組件的想法也是機器使用的構思。也是我們常說的局部感受野：就是輸出圖像某個節點的響應所對應的最初的輸入圖像的區域。這也是CNN的基礎。

4.結構體

接下來我們談談具體細節。對CNN做什么的更詳細的概述將是：拍攝圖像、通過一系列卷積、非線性、池（下采樣）和完全連接的層，并獲得輸出。如我們前面所說，輸出可以是單個類或最能描述圖像的類的概率。現在，困難的部分是理解這些層中的每一個，首先讓我們進入最重要的一個。

4.1第一層：數學 （Math）
CNN中的第一層總是卷積層。第一件事是要確保你記得是這個轉換的輸入，像我們之前提到的，輸入是一個32 x 32 x 3的像素數組。解釋轉換層的最好方法是想象一下閃光在圖像左上方的手電筒，這個手電筒的光線覆蓋著5×5的區域。而現在，我們可以想象這個手電筒可以滑過輸入圖像的所有區域。在機器學習術語中，這種手電筒被稱為濾波器（或有時稱為神經元或內核），并且其閃爍的區域稱為接收場。現在這個過濾器也是數字數組（數字稱為權重或參數）。一個非常重要的注意事項是，該濾波器的深度必須與輸入深度相同（這樣才可以確保數學運算），因此濾波器的尺寸為5 x 5 x 3。

譯者注：濾波器：filter（帶著一組固定權重的神經元）對局部輸入數據進行卷積計算。

現在，我們來看看濾波器的第一個位置。當濾波器在輸入圖像周圍滑動或卷積時，它將濾波器中的值與圖像的原始像素值（AKA運算單元乘法）相乘。所以你將等到一個數字，請記住，這個數字只是代表濾波器位于圖像左上方的代表。現在，我們對每個位置重復此過程。（下一步是將濾鏡向右移動1個單位，然后再次向右移動1個，依此類推。）每個位置都會產生一個數字，濾波器將所有位置的滑動后，你會發現剩下的是28 x 28 x 1的數字數組，我們稱之為激活圖或特征圖。你得到一個28 x 28陣列的原因是，有784個不同的位置，一個5 x 5的過濾器可以適應32 x 32的輸入圖像。這些784個數字被映射到一個28×28陣列。

?

現在我們使用兩個5 x 5 x 3的過濾器，而不是一個。那么我們的輸出將是28 x 28 x 2.通過使用更多的濾鏡，我們可以更好地保留空間維度。