白话讲解卷积神经网络

卷积神经网络其实是一个函数，也可以说它是一个黑箱，输入是一个二维的像素阵列，也就是图片，输出就是这个图片是什么

就是将这些经过平移，旋转，局部加粗等的图像辨别出来，抗干扰性很强

对于计算机来说，怎么用数字进行特征提取是非常重要的，即使图像进行了一定的改变，但也会保留原始图的特征

比如把这三个特征提取出来，叫做卷积核，或者特征提取器，用于在输入图中寻找相应的特征

下面介绍一下，卷积核是怎样判断特征的，让卷积核与图片对应相乘，得出结果为九个一的矩阵，将这些得出来的数做平均值


这就表示绿框中的的值和卷积核的特征完全一致

那么如果卷积核与图像的其他部分做卷积运算呢
当该卷积核与中间部分进行卷积时，情况如下：

它加起来平均值为0.55，表示他俩不一样，但仍保留了0.55的特征，把所有的数据算出来是这样的，颜色越浅表示相似度越高

用不同的卷积核可以把不同的特征提取出来

因为实际的识别涉及到的特征和图片很大，所以要将得到的矩阵缩小，把一部分的矩阵得出的数用一个数字表示，这也叫做池化

也就是在可接受范围内牺牲一部分值，池化有两种方式，一是取最大值，二是取平均值，应用都非常广

以取最大值为例，将上面的矩阵缩小，得到的特征仍会保留，如果计算需要，在外圈补零

接下来使用**函数将上面矩阵的负数全部抹成零，经过卷积，抹零（**函数是relu），池化，得到：

以上过程可以进行多次

全连接层
将得到的矩阵排成一列

每一个像素点都有权重，把判断x的权重加起来，就可以得到一个概率，这是要通过训练得到的

x的概率是0.92，o的概率是0.51，所以认为图的特征是x
全连接网络可以放好多层

用大量图片去训练模型，通过反向传播的方法，将它与真实的结果进行比较，然后将神经网络的结果与真实结果的误差进行计算，这叫损失函数，我们的目标就是将损失函数降到最低（求导获得最低值），通过将卷积核和权重进行微调使得误差函数最小，他会将误差一层层反馈回去，所以叫反向传播。
经过大量训练，他就自动学会了选择卷积核和选择权重，这就是机器学习。