通过往期文章的分享，我们了解了神经网络的结构，一般分为输入层，隐藏层，输出层

TensorFlow神经网络

那什么是卷积神经网络那，这就要我们追溯一下人类识别图像的原理

人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素 Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。下面是人脑进行人脸识别的一个示例：

人类识别图形原理

对于不同的物体，人类视觉也是通过这样逐层分级，来进行认知的：

我们可以看到，在最底层特征基本上是类似的，就是各种边缘，越往上，越能提取出此类物体的一些特征（轮子、眼睛、躯干等），到最上层，不同的高级特征最终组合成相应的图像，从而能够让人类准确的区分不同的物体。CNN卷积神经网络就是来源于此识别过程来实现。

卷积神经网络

卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。

CNN神经网络

一般卷积神经网络有如下结构：

•数据输入层/ Input layer

•卷积计算层/ CONV layer

•ReLU激励层 / ReLU layer

•池化层 / Pooling layer

•全连接层 / FC layer

当然卷积层，Relu激励层与Pooling层可以多次使用

输入层/ Input layer

该层要做的处理主要是对原始图像数据进行预处理，其中包括：

•去均值：把输入数据各个维度都中心化为0，如下图所示，其目的就是把样本的中心拉回到坐标系原点上。

•归一化：幅度归一化到同样的范围，如下所示，即减少各维度数据取值范围的差异而带来的干扰，比如，我们有两个维度的特征A和B，A范围是0到10，而B范围是0到10000，如果直接使用这两个特征是有问题的，好的做法就是归一化，即A和B的数据都变为0到1的范围。

•PCA/白化：用PCA降维；白化是对数据各个特征轴上的幅度归一化

卷积计算层/ CONV layer

这一层是卷积神经网络最重要的一个层次，也是“卷积神经网络”的名字来源。

在这个卷积层，有两个关键操作：

•局部关联。每个神经元看做一个滤波器(filter)

•窗口(receptive field)滑动， filter对局部数据计算

下图比较简单的介绍了一个卷积的过程，原始数据是5*5 卷积核为3*3 步长为1

CNN卷积计算

ReLU激励层 / ReLU layer

这一层也是我们前期分享的激励函数层

CNN采用的激励函数一般为ReLU(The Rectified Linear Unit/修正线性单元)，它的特点是收敛快，求梯度简单，但较脆弱，图像如下。

Relu

池化层 / Pooling layer

池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。池化层用的方法有Max pooling 和 average pooling，而实际用的较多的是Max pooling。

Pooling

对于每个2*2的窗口选出最大的数作为输出矩阵的相应元素的值，比如输入矩阵第一个2*2窗口中最大的数是6，那么输出矩阵的第一个元素就是6，如此类推。

全连接层 / FC layer

两层之间所有神经元都有权重连接，通常全连接层在卷积神经网络尾部。也就是跟传统的神经网络神经元的连接方式是一样的：

FC layer

下期分享

LeNet 手写数字识别

LeNet

谢谢大家的点赞与转发，关于分享的文章，大家有任何问题，可以在评论区一起探讨学习！！！