学习卷积神经网络的动机：

ConvNets被证明在图像识别和分类方面非常有效。Facebook需要它的标签算法，Instagram和谷歌的搜索基础设施，并且这个列表不断更新。

MNIST

什么是图像分类 ：

输入：图像

输出：最佳描述输入图像的类或一组类

我们如何（人类）做到这一点 ：

人类在图像分类上非常棒。我们毫不费力地识别出环境中存在的所有物体，但是您是否曾试图深入地挖掘我们如何学会识别图像，并在以后能够轻松地标记物体。

观察你周围的任何新出生的婴儿，他如何开始区分鸟类和狗的图像。

• 1-首先，他将无法分辨目前的图像是否是鸟/狗

• 2-然后他的父母向他展示了几张鸟/狗的照片，并相应地给他们贴上了鸟和狗的标签

• 3-孩子慢慢学会从狗图片和翅膀中提取爪子和尾巴等高级特征，并从鸟类图片中啄出喙

• 4-尽可能多的他看到的照片，他得到自信

• 5 - 现在，当他看到Test_image时，他会检查图像中的生物是否有爪子，尾巴或翅膀和喙，并据此做出决定

同样CNN也这样做。让我们看看如何！

计算机如何做 ：

How we see vs How computer see

计算机将每个图像视为像素值的3-D矩阵。对于尺寸为480 x 480的彩色图像，计算机将看到尺寸为480 x 480 x 3（3代表RGB值）的阵列。这些数字中的每一个都有一个从0到255的值，它描述了该点的像素强度。计算机如何实现这一点 - 计算机可以通过查找低级特征（如边缘和曲线）来执行图像分类，然后构建通过一系列卷积层提供更抽象的概念

深入挖掘：

简单的ConvNet

让我们把整个结构分成两部分：

• 1-卷积部分 - 负责从输入图像中提取高级特征，我们最终输入到完全连接的部分

• 2-完全连接部分 - 组合提取的所有特征并对输入图像进行分类

卷积由 - 1 /几层（卷积层+ Relu +池）

卷积层 -

输入 ：像素值的3D阵列。

输出 ：feature map

让我们试着通过类比来理解它：

你在黑暗的房间里，手里拿着一本加密的书和一个特别的手电筒，你的任务是阅读本书的一页，你将如何做：

在此之前，让我解释一下特殊手电筒中的“特殊”：从手电筒发出的光线也有一些信息

1-继续将闪光的焦点放在书上

2-在每一点上，使用手电筒的特殊功能，将书中当前光线中出现的信息与当时可用的信息“结合”

3-继续重复上述两个步骤，直到页面结束，也不要忘记继续滑动闪光灯的焦点（非常谨慎），以免错过任何东西。

额外提示：您可以一次读取的内容数量等于闪光灯焦点的大小

在这里，我们将过滤掉手电筒图像的位置，而不是页面和接受区域来代替手电筒的焦点。过滤器是一组数字（weight）

Test_image

过滤

卷积运算

看看卷积运算是如何发生的。过滤器在Test_image上滑动1个像素，并且对于每个感受野发生，我们通过做两个矩阵的点积来计算结果矩阵中的数字。

作为结果获得的矩阵称为“特征映射”。通过使用不同的过滤器，我们可以获得不同的“功能图

你一定在想，如何使用多个矩阵的产品来帮助我们进行特征提取

我也解释一下。

幕后发生的事情：

每个过滤器都是“Feature identifier（功能标识符）”。特征意味着边缘，颜色，曲线 - >半圆或正方形 - >面（复杂特征）。

让我们试着了解我们将在测试图像上应用的第一个滤镜（曲线检测器）：

注意在数组中，我们根据曲线的形状有很大的数字。

现在让我们开始在Test_image上滑动筛选器：

当我们将筛选器滑动到Test_image的正确位置时，我们发现结果很高。

现在让我们将其滑动到图像中不存在此特征（曲线）的部分：

结果太低了！原因是Test_image中没有任何内容对过滤器做出响应，所以过滤器未被激活。因此，Test_image中后面的区域在激活图中的值较小，表明该区域具有较少特定特征的可能性。

以类似的方式，我们计算其他过滤器的特征映射，以及将会告诉Test_image的哪一部分更可能具有该特定特征

非线性（Relu）：

输入：来自卷积层的特征映射

输出：在特征映射中引入非线性来映射真实世界数据

Pooling

输入:Feature Map with(非线性引入)

输出:减少feature map的维度。

有“n”类型的池(Max、Sum、Avg)。让我们了解最常见的“最大池”

我们从feature map的一小部分(窗口)中取出最大的元素。

现在，如果我们在网络中继续前进，我们会继续应用以上三个步骤，并在每一层尝试检测更高级别的功能

一旦获得爪子，脸部，翅膀等高级特征，我们将其馈送到全连接层。

全连接层：

输入：来自卷积层的特征图

输出：N维向量，其中N是类的数量

例如，如果用于数字分类程序的结果向量是[0.1.1.75 0 0 0 0 .05]，那么这代表10％的概率，即图像是1，10％的概率，即图像是2，图像是3的概率是75％，图像是9的概率是5％

它看起来哪个高级特征图具有较高的值，如图像是狗，那么表示翼的特征图具有高值，如果表示翼的鸟特征图具有高值。