參考視頻：卷積神經網絡（CNN）到底卷了啥？8分鐘帶你快速了解！
我們知道：
圖片是由像素點構成，即最終的成像效果是由背后像素的顏色數值所決定
在Excel中：有這樣一個由數值0和1組成的6×6的區域
我們把0設置成黑色、1設置成白色。最終呈現的效果，是不是很像數字7？
?
而CNN模型能夠告訴我們
這樣一個6×6的像素圖，是否是數字7？或返回它屬于數字0~9的概率分別是多少？
下面，我們對這個CNN模型進行分解：
CNN模型第一步：提取特征，得到特征圖
1、利用多個不同的卷積核（也稱特征過濾器，如 3×3、5×5）對圖像做滑動窗口計算
2、每一個卷積核計算完成后，會得到一張對應的特征圖（一核對一圖）
本例中，需提取水平和垂直兩大特征部分，分別在下面的兩個3×3的卷積核中得到體現
?
滑動窗口計算規則：
1、先按順序提取原始圖片中3×3的像素區域
2、再將其每個像素單元依次與卷積核內相對應的像素值相乘，再求和
3、再把結果記錄在新的4×4的像素圖上。
注意：輸入圖像、卷積核、特征圖、池化核的尺寸大小，有數學公式關系
這部分主要由卷積操作的參數（如核大小、步長、填充）決定
??
本例整個計算完成后，我們會得到兩個4×4的特征圖（一個卷積核對應一個特征圖）
我們可以看到：
根據特征圖的顏色深淺（數字大小），原始圖片中的7
垂直部分特征被很好提取出來了（明顯），而水平部分特征卻沒被提取出來（不明顯）
這是因為在特征提取計算的過程中，像素圖從原6×6被降維成了4×4，邊緣特征丟失了
這里使用一種被稱為Padding的擴充方法，為了解決邊緣特征的提取問題
將原始的6×6圖像，先擴充成8×8，擴充部分的像素值均設為 0
這樣，在特征提取計算后，轉化后特征圖的像素同為6×6，最終兩個特征都能完美提取到
CNN模型的第二步：最大池化Max Pooling
常用最大池化或平均池化，使用池化核（如 2×2）對特征圖降采樣，減少參數數量和計算量，降低數據維度。換句話說，就是將圖片數據進一步壓縮，僅反映特征圖中最突出的特點。
1、將6×6的特征圖，用2×2的網格（池化核），分割成3×3的部分
2、再提取每個部分中的最大值
3、再放于最大池化后的3×3網格中。池化后的數據保留了原始圖中最精華的特征部分
注意：輸入圖像、卷積核、特征圖、池化核的大小之間，有數學公式關系
這部分主要由卷積操作的參數（如核大小、步長、填充）決定
?
CNN模型第三步：把池化后的數據，做扁平化處理
1、把池化后的兩個3×3的像素圖，疊加轉化成一維的數據條（一維向量）
2、再將數據條錄入到后面的全連接隱藏層，最終產生輸出
?
?
這里提一點：全連接隱藏層
意味著這里的任意一個神經元都與前后層的所有神經元相連接
這樣就可以保證，最終的輸出值，是基于圖片整體信息的結果
在輸出階段：
可使用Sigmoid函數，返回0~1的值，代表該圖片是否是7的概率
也可用Softmax函數，返回該圖案分別屬于0~9的概率
到這里，一個完整的CNN模型的數據流就完成了！
