cnn卷积神经网络(史上最容易理解版)

什么是cnn卷积神经网络？ta有什么用呢？
这些问题是否现在或者曾经是你们心中的问题？

cnn卷积神经网络详解

cnn卷积神经网络是一种人工智能网络，用于图片识别、图片分类等。
那怎么可以进行图片识别、分类等问题呢？
传一些图片进去为什么能实现训练和分类呢？
明明就是一张人们可见的图片，怎么能用于训练和计算呢？
其实大家应该都知道：灰色图片是由一个2维网格组成
灰色图片：

而彩色图片是由一个3层2维网格组成的，分别是R、P、G
彩色图片

给大家用python来检验一下：

所以，我们可以用图片来进行一系列数值、矩阵运算
到这里，大家应该对图片有些了解了，接下来我们来讲解一下cnn卷积神经网络
cnn卷积神经网络由卷积层、池化层、全连接层组成

卷积层：

这层主要是为了提取图像的特征值（特征值就是：该类图片与其他图片的不同点，如兔子的耳朵、猴子的尾巴）
提取特征值的主要操作：
b=a*w+b w就是在原图片挪动的小框框（即卷积核），小框框每个格子都有自己的值，b就是映射出来的矩阵，即映射出来的图片，b就是一个偏移值
bij=aij*wij+b

不同卷积核能提取图像不同的轮廓

池化层：

池化层为了减少数据量和减少特征值以防止过拟合
什么是过拟合呢？

第一个是欠拟合
第二个是拟合
第三个是过拟合
那什么是池化呢？其实与卷积差不多
就是有一个小框框（即最大池），在图像框中挪动，提取框中的最大值

经过池化的图像能减少一些特征值，让图像轮廓不那么明显

全连接层：

在全连接之前，应该将2维、3维的图像数据变为1维的数据

以便于后续的计算
flatten之后的长度=图片的长度*图片的宽度*3
图片中的fully connected layers就是全连接层的输入层，输入层的神经元个数等于flatten之后的长度
即每个神经元对应每个flatten之后的数值
全连接层的最后一层（图中的output layers）的神经元个数等于要分类的类别数

w就是每个神经元所带的权值，a就是flatten之后每个方格的数值，b就是一个偏移量
最后把每一个output算出来
因为算出来的值有正有负，所以我们用自然指数函数将其变为正的
output=e^output
再采用下面的函数算出该张图片是每一类的每一个概率

图中的e^z正是刚刚算出的每一个output
概率最大的说明就是这一类
全部串起来就是这样：