卷積神經網絡在AI領域中一種常見的工具，特別是在圖像識別、處理中很常見。與傳統的神經網絡不同，它的每個神經元可以看作包括了卷積、閾值、池化三個步驟。卷積操作用於特徵識別，閾值操作通常是ReLU函數用於特徵的提取，池化層相當於數據的壓縮。
卷積相當於一個特徵識別的過程，每一個特徵就是一個卷積核，比如我要找眉毛就用眉毛和圖片做卷積如果，找鼻子就用鼻子和圖片做卷積，就是先乘後加再除的一串操作。
左上角就是卷積核，代表的某種特徵，中間的就是需要識別的圖像，右上角就是卷積的結果，如果找到了特徵那麼算下來的結果值是最大的，所以在卷積後圖像中找到最大值的位置就找到了特徵。當然這個最大值往往是由某個閾值來控制的，這就用到了ReLU函數，超過的閾值的數會被保留下來，這樣圖像就變成了一副準特徵圖了。
當然這個函數不是一個階梯函數，需要一個連續函數才能在神經網絡中訓練，所以一般選擇ReLU函數。經過閾值處理以後，圖像中包含了很多沒用的0，所以這時候可以將沒有用的信息去掉，使得圖像只保留特徵的信息便於以後進行處理，這個步驟就是池化pooling。
用一個最大2*2矩陣掃描圖像，取每個區域某個特徵，如選區區域中的最大值就是max_pooling，如上圖。經過池化操作，圖像就被壓縮了保留了那些你需要的信息。
CNN本質上是神經網絡，通過每一層的數據處理對象的特徵被提取出來了，然後進入下一層進行進一步的提取直到得到結果。神經網絡的基本結構就包括這幾個基本要素，在其上還有許多的變化，但是萬變不離都離不開他的基本結構。
分享到:
閱讀更多 老郭講算法 的文章
