卷积神经网络为什么可以学习图像中的信息？？

最近在思考，为什么卷积神经网络可以学习到图像中的信息？？？故而做了一个小笔记。

参考链接

前人之述详备，此仅为我之浅思

浅析卷积神经网络为何能够进行特征提取

特征值和特征向量意义-告诉了我：特征向量使我们可以找到数据在各个维度区分度达到最大的坐标轴，进而获得最有效的信息

---

下述网址主要为一些补充，实际只要看上面两个链接里的内容就可以了

为什么卷积能够提取图像的特征？看完此文应该能够给你一个答案

---

卷积神经网络的所谓提取特征、学习图像分布，实际上不过是通过误差的反向传播，调整卷积核（滤波器）的参数，使得对图像中的特定形式的局部，在被卷积核乘的以后，能被强调出来，从而获得最大程度的信息。此即为我所理解的卷积学习到的图像中的信息。

特征值对应的特征向量是理想中的正确的坐标轴，可以最大程度的获得信息

---

一张图像被读入计算机，是以多维数组的形式被图片知晓的。

例如一张黑白的图片

其中橙色框里的部分，在计算机中的形式可能如下：

我们知道，这样的弧度弯曲，对于一个二维图像小老鼠来说，就是它的臀部特征。其他的二维简笔画老鼠的屁股也大概都是这样的弧度与轮廓。

---

在卷积神经网络中的卷积层中，我们知道主要是利用卷积核来提取物体的特征。

而利用卷积核充当滤波器，把自己想得到的内容从大量、冗杂的信息中提取出来。这是如何做到的呐？

---

在数学方法中，这种提取物体特征的方法所利用的就是特征向量。

可以说卷积核==特征向量！

一个向量的特征向量可以做到这么一个效果：这个特征向量对原来的矩阵起到的作用是拉伸，相当于一个系数。使得所有类似的特征在经过一系列的运算以后，会得到一个非常明显的大的值。而无关的特征，得到的就是0。

对于现实中不同弯曲程度的图像的不同的局部特征，我们知道如果想要获得这些部位的信息，需要选择一个合适的坐标系。而通过特征向量和特征值，就可以找到这样的正确的坐标轴。详见链接后半部分内容

在卷积神经网络中，我们会发现：卷积核（也就是特征向量）一旦遇到它所对应的特征，此时进行的乘积就会是非常大的值。

对于上面的卷积：（5030）+（5030）+（5030）+（2030）+（50*30）=6600；

我们就可以认为，这个地方的特征被提取出来了。而一旦遇到类似图片，那么其中的值也可以被发现。

对于不能识别的特征，计算的值非常小，如下：

值为0。

如此，不符合的特征就不会被提取。

而在卷积神经网络中，所求的参数其实就是这么一个个卷积核。所谓的学习，就是不断的调整参数，使卷积核逼近理想中的特征向量。

误差反向传播，所计算的就是一层层的卷积核的集合。