卷积神经网络
早期笔记，非常浅显
记录学习过程中的相关名词和关键点
1.CNN工作机理
CNN一般用来处理图像识别
把图像的像素（pixel）作为输入，经过以下几个层就行判别：
- 卷积计算层
- 激励层
- 池化（pool）：取区域平均或最大
其中，卷积计算层是核心，主要完成的工作就是卷积计算，工作过程：
- 对图像像素数据（像素矩阵）局部地与滤波矩阵（也叫滤波器，其实就是一个固定的权重矩阵）作内积（逐个元素相乘再求和得到这个局部区域的输出） ——这就是“卷积神经网络”中“卷积”的由来
- 滤波器的作用非常重要：
- 对像素矩阵进行特征提取，并且不同的滤波器就是一种不同的特征提取方式
2.CNN的两大优势
局部感知野
是什么？
每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。
做什么？
减少模型参数，方便训练
参数共享
是什么？
在局部连接中，每个神经元都对应一定数量的权重，若每个神经元对应的权重都不同，那么总的权重参数数量就会非常多，因此可以把这些神经元的权重设置为同一个权重矩阵，权重矩阵计算的实质其实就是特征提取，不同的权重矩阵代表不同的特征提取方式。
这其中隐含的原理是：图像的一部分的统计特性与其他部分是一样的。这也意味着我们在这一部分学习的特征也能用在另一部分上，所以对于这个图像上的所有位置，我们都能使用同样的学习特征。
通过参数共享，可以大大减少CNN模型的参数体量。
做什么？
减少模型参数，方便训练