1.CNN概述
CNN的整体思想，就是对图片进行下采样，让一个函数只学一个图的一部分，这样便得到少但是更有效的特征，最后通过全连接神经网络对结果进行输出。
整体架构如下：
输入图片
→卷积：得到特征图（激活图）
→ReLU：去除负值
→池化：缩小数据量同时保留最有效特征
（以上步骤可多次进行）
→输入全连接神经网络
2.卷积层
CNN-Convolution
卷积核（或者被称为kernel, filter, neuron）是要被学出来的，卷积核中的数就是权重（参数）
做内积，把卷积核的每一个参数和图像中对应位置的数字相乘（对应位置的元素相乘，不同于矩阵乘法），再求和。相当于一个神经元，对输入的数据，进行权重的分配，而权重就是卷积核的数据。再求和，就是第一个神经元所得到的结果。把这个权重对图片所有数据进行处理，就得到第一个激活图或特征图（feature map）。我们可以增加卷积核的数量，就会得到多层激活图，可以更好的保留数据的空间尺寸。
当卷积核与图片进行相乘相加的时候，如果卷积核此时正在计算的区域数字分布与卷积核类似，所得的求和结果会很大（称为卷积核被激活了），而其他地方会很小，说明图像在这个区域，有和卷积核类似的图案。
一个卷积核只能识别一个特征。因此我们需要添加多个卷积核，卷积核越多，得到的激活图就越深，输入图像的信息就越多。
对于彩色的图来说，不需要把颜色分开，卷积核的深度和图像深度是一样的，比如彩色是红绿蓝三层，那么卷积核也是三层。
卷积层相当于降采样的神经网络，如下图，本来应该连接36个神经元，但实际连接了9个。
3.池化层
CNN-MaxPooling
在Max Pooling，也就是池化层之前，会需要进行一个ReLU函数转化，即把小于0的值全转为0，其他的不变。
池化层主要就是为了减少数据量，选一个尺寸之后，直接用尺寸中的最大值代替那个尺寸。这样可以减少数据从而减少运算量。
如下图所示，输入数据原本是6*6，通过卷积层之后变成4*4，通过池化层之后变成2*2。对于实际的图片来说，维度可能很高，因此卷积层，池化层可以多次进行。
4.全连层
将最后得到的高层次特征输入全连接的神经网络，即全连层。全连层就是一个全连接的神经网络，它的参数数量就是最后的池化层输出的数据数量。
同样的，前向传播后，计算损失函数后进行后向传播，得到各参数的梯度，对各参数进行更新，直到找到最佳参数。
因此，在全连接之前的所有层，不管多少层的卷积、池化，都是为了得到更好的特征的同时降低数据量。使得模型可以更好地训练。
以上就是Python人工智能深度学习CNN的详细内容，更多关于人工智能CNN深度学习的资料请关注编程网其它相关文章！
