這篇文章用最簡明易懂的方式解釋了卷積神經網絡（CNN）的基本原理，并繞開了里面的數學理論。
同時，如果想對從頭開始構建CNN網絡之類的問題感興趣，作者推薦去讀《 Artificial Intelligence for Humans Volume 3: Deep Learning and Neural Networks》中第10章節的內容。
不多說了，開始CNN之旅——
網絡結構
CNN的模型通常建立在前饋神經網絡模型之上，它的結構你也應該不陌生。不同是的，“隱藏層”將被以下這些層取代：
卷積層（Convolutional Layers）
池化層（Pooling Layers）
全連接層（稠密層，Dense Layers）
結構類似下圖：
卷積
在此階段，輸入圖像被一個grid掃描，并作為輸入傳遞到網絡。之后，這個網絡將一層卷積層應用于輸入的圖像，將它分割成包含3張圖像的三維立方體結構。這3三張圖像個框架分別呈現原圖的紅色、綠色和藍色信息。
隨后，它將卷積濾波器（也稱神經元）應用到圖像中，和用PhotoShop中的濾鏡突出某些特征相似。例如在動畫片《Doc And Mharti》中，用羅伯茨交叉邊緣增強濾波器處理過的效果如下圖所示：
△?原圖
△?處理后
可以想象，擁有100多個不同濾波器的神經網絡篩選復雜特征的能力有多強大，這將大大助力它識別現實世界中事物。一旦神經網絡已經將卷積濾波器應用到圖像中，我們就能得到特征/激活圖。
特征圖譜會被指定區域內的特定神經元激活，比如我們將邊緣檢測濾波器添加到下面左圖中，則它的激活圖如右圖所示：
△?這些點代表0的行（表明這些區域可能是邊緣）。在二維數組中，“30”的值表明圖像區域存在邊緣的可能性很高
激活層
當我們有了激活圖，就能在其中讓激活函數大顯身手了，我們用研究人員的首選函數——ReLU激活函數（修正線性單元）舉個例子。然而，一些研究人員仍然認為用Sigmoid函數或雙曲切線能得到提供最佳的訓練結果，但我不這么認為。
使用激活層是在系統中引入非線性，這樣可以提高輸入和輸出的一般性。ReLU(x)函數只返回max(0、x)或簡單地返回激活圖中的負權值。
池化層
之后的最佳做法通常是在特征圖中應用最大池化(或任何其他類型的池)。應用最大池化層的原理是掃描小型grid中的圖像，用一個包含給定grid中最高值的單個單元替換每個grid：
這樣做的重要原因之一是，一旦我們知道給定特征在一個給定的輸入區域，我們可以忽略特征的確切位置將數據普遍化，減少過擬合。舉個例子，即使訓練精度達到99%，但拿到沒見過的新數據上測試時，它的精確度也只有50%。
輸出層
最大池化層后我們講講剩下的另一個激活圖，這是傳遞給全連接網絡的一部分信息。它包含一個全連接層，將上一層中每個神經元的輸出簡單映射到全連接層的一個神經元上，并將softmax函數應用到輸出中，就是和我們之前提到的ReLU函數類似的激活函數。
因為我們將用神經網絡將圖片分類，因此這里使用了softmax函數。softmax輸出返回列表的概率求和為1，每個概率代表給定圖像屬于特定輸出類的概率。但后來涉及到圖像預測和修復任務時，線性激活函數的效果就比較好了。
值得注意的是，講到這里我們只考慮了單卷積層和單池層的簡單情況，如果要實現最佳精度通常需要它們多層堆疊。經過每個完整的迭代后，通過網絡反向根據計算損失更新權重。
原文地址：https://authomaton.blogspot.co.uk/2017/10/machine-learning-but-funner-02.html
— 完 —
)