卷积神经网络在AI领域中一种常见的工具，特别是在图像识别、处理中很常见。与传统的神经网络不同，它的每个神经元可以看作包括了卷积、阈值、池化三个步骤。卷积操作用于特征识别，阈值操作通常是ReLU函数用于特征的提取，池化层相当于数据的压缩。
卷积相当于一个特征识别的过程，每一个特征就是一个卷积核，比如我要找眉毛就用眉毛和图片做卷积如果，找鼻子就用鼻子和图片做卷积，就是先乘后加再除的一串操作。
左上角就是卷积核，代表的某种特征，中间的就是需要识别的图像，右上角就是卷积的结果，如果找到了特征那么算下来的结果值是最大的，所以在卷积后图像中找到最大值的位置就找到了特征。当然这个最大值往往是由某个阈值来控制的，这就用到了ReLU函数，超过的阈值的数会被保留下来，这样图像就变成了一副准特征图了。
当然这个函数不是一个阶梯函数，需要一个连续函数才能在神经网络中训练，所以一般选择ReLU函数。经过阈值处理以后，图像中包含了很多没用的0，所以这时候可以将没有用的信息去掉，使得图像只保留特征的信息便于以后进行处理，这个步骤就是池化pooling。
用一个最大2*2矩阵扫描图像，取每个区域某个特征，如选区区域中的最大值就是max_pooling，如上图。经过池化操作，图像就被压缩了保留了那些你需要的信息。
CNN本质上是神经网络，通过每一层的数据处理对象的特征被提取出来了，然后进入下一层进行进一步的提取直到得到结果。神经网络的基本结构就包括这几个基本要素，在其上还有许多的变化，但是万变不离都离不开他的基本结构。
分享到:
閱讀更多 老郭講算法 的文章
