CNN由由可学习权重和偏置的神经元组成。每个神经元接收多个输入，对它们进行加权求和，将其传递给一个激活函数并用一个输出作为响应。整个网络有一个损失函数，在神经网络开发过程中的技巧和窍门仍然适用于CNN。很简单，对吧？
那么，卷积神经网络与神经网络有什么不同呢？
和神经网络输入不同，这里的输入是一个多通道图像（在这种情况下是3通道，如RGB）。
在我们深入之前，让我们先了解一下卷积的含义。
我们用5 * 5 * 3的滤波器滑过整个图像，并在滑动过程中与滑过的图像部分点积。
每个点积的结果都是标量。
那么，当我们将整个图像与滤波器进行卷积时会发生什么？
卷积结果的大小28是怎么来的留给读者思考。（提示：有28 * 28个独特的位置，滤波器可以放在图像上）
现在回到CNN
卷积层是卷积神经网络的重要部分。
卷积层包含一组独立的滤波器（在所示的例子中是6个）。每个滤波器都与图像独立卷积，最终形成6个形状为28 * 28 * 1的特征图。
假设我们有多个卷积层。然后会发生什么？
所有这些滤波器都是随机初始化的，并在网络训练过程中学习参数。
下面是训练好的网络的例子。
看看第一层中的滤波器（在这是5 * 5 * 3的滤波器）。通过反向传播，逐渐调整成为彩色碎片和边缘的斑点。当层次变深时，滤波器与先前一层的输出做点积。所以，他们正在用较小的彩色碎片或边缘制作出更大的碎片
对于特定的特征图，每个神经元仅与输入图像的一小块连接，并且所有神经元具有相同的连接权重，这就是CNN与神经网络的最大区别。
参数共享和局部连接
参数共享指的是特定特征图中所有神经元的权重共享。
局部连接是每个神经只与输入图像的一个子集连接（不同于全连接的神经网络）
这有助于减少整个系统中的参数数量，并使计算更加高效。
池化层
池化层是CNN的另一个构建块。
其功能是逐步缩小表示空间的大小，以减少网络中的参数和计算量。池化层独立地在每个特征映射上工作。
最常用的方法是最大池化（max pooling）。
CNN的典型架构
我们已经介绍了卷积层（由CONV表示）和池化层（由POOL表示）。
RELU只是一个应用于神经单元的非线性激活函数。
FC是CNN末端的全连接层。全连接层中的神经元与前一层中的所有激活都有完全连接，如常规神经网络中所见，并以相似的方式工作。
CNN架构有许多变化，但正如我之前提到的，基本概念保持不变。
本文转载自：云栖社区
