1981年的诺贝尔医学奖，颁发给了 David Hubel（出生于加拿大的美国神经生物学家） 和Torsten Wiesel，以及 Roger Sperry。前两位的主要贡献，是“发现了视觉系统的信息处理”，可视皮层是分级的。
图：纪念1981年诺贝尔医学奖的邮票。
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或人脸）。
下面是人脑进行人脸识别的一个示例：
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。
那么我们可以很自然的想到：可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？答案是肯定的，这也是CNN的灵感来源。
CNN 解决了什么问题？
在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：
- 图像需要处理的数据量太大，导致成本很高，效率很低;
- 图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高;
1、需要处理的数据量太大
现在随随便便一张图片都是 1000×1000 像素以上的， 每个像素都有RGB的3个参数来表示颜色信息。
假如我们处理一张 1000×1000 像素的图片，我们就需要处理3百万个参数！
$ 1000 × 1000 × 3 = 3,000,000 $
这么大量的数据处理起来是非常消耗资源的，而且这只是一张不算太大的图片！
CNN 解决的第一个问题就是“将复杂问题简化”，把大量参数降维成少量参数，再做处理。更重要的是：我们在大部分场景下，降维并不会影响结果。比如1000像素的图片缩小成200像素，并不影响肉眼认出来图片中是一只猫还是一只狗，机器也是如此。
2、保留图像特征
如果你训练一个神经网络来检测狗，不管狗出现在图像的什么地方，以何种姿势，何种背景，都是期望能检测出来的。这就是要保留狗的特征，而不管其它干扰因素。
下面是一个非常简化的例子：确定一幅图像是包含有"X"还是"O"？
像下面X和O两个字符，都非常标准，很容易识别。
但是如果这个图翻转了、不在中心位置了、缩小放大了、画笔粗了，这些场景下，识别难度就大很多了，这就是CNN要解决的问题。
CNN用类似视觉的方式保留了图像的特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。
CNN的构成
典型的 CNN 由3个部分构成：
- 卷积层 , 卷积层负责提取图像中的局部特征；
- 池化层 , 池化层用来大幅降低参数量级(降维);
- 全连接层 , 全连接层类似传统神经网络的部分，用来输出想要的结果。
1、卷积层
卷积层负责提取图像中的局部特征；
卷积层的运算过程如下图，用一个卷积核扫完整张图片：
这个过程我们可以理解为我们使用一个过滤器（卷积核）来过滤图像的各个小区域，从而得到这些小区域的特征值。
在具体应用中，往往有多个卷积核，可以认为，每个卷积核代表了一种图像模式，如果某个图像块与此卷积核卷积出的值大，则认为此图像块十分接近于此卷积核。如果我们设计了6种卷积核，可以理解：我们认为这个图像上有6种底层纹理模式，也就是我们用6种基础模式就能描绘出一副图像。
下图就是25种不同的卷积核的示例：
总结：卷积层的通过卷积核的过滤提取出图片中局部的特征，跟上面提到的人类视觉的特征提取类似。
池化层
池化层用来大幅降低参数量级(降维)，池化就是将输入图像进行缩小，减少像素信息，只保留重要信息。
池化层简单说就是下采样，他可以大大降低数据的维度。其过程如下：
上图中，我们可以看到，原始图片是20×20的，我们对其进行下采样，采样窗口为10×10，最终将其下采样成为一个2×2大小的特征图。
之所以这么做的原因，是因为即使做完了卷积，图像仍然很大（因为卷积核比较小），所以为了降低数据维度，就进行下采样。
总结：池化层相比卷积层可以更有效的降低数据维度，这么做不但可以大大减少运算量，还可以有效的避免过拟合。
全连接层
全连接层类似传统神经网络的部分，用来输出想要的结果。经过卷积层和池化层处理过的数据输入到全连接层，得到最终想要的结果。
经过卷积层和池化层降维过的数据，全连接层才能”跑得动”，不然数据量太大，计算成本高，效率低下。
多层组合应用
典型的 CNN 并非只是上面提到的3层结构，而是多层结构，例如 最早由Yann LeCun在1998年提出并应用在手写字体识别上（MINST）的LeNet-5就有5层：
卷积层 – 池化层- 卷积层 – 池化层 – 卷积层 – 全连接层
其网络结构如下：
LeNet-5 是一个很小的网络，只有约 6 万个参数，现代的神经网络经常有上千万甚至上亿个参数。
- LeNet-5 名字中的“5”也可以理解为整个网络中含可训练参数的层数为 5。）
- LeNet-5 大约有 60,000 个参数。详细计算可以看Lenet5参数计算详解
一些有助于理解CNN的动图
数字识别
分类场景下的CNN
目标定位检测
骨骼、动作识别
总结
综合起来说，CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。
参考资料：
