在Google表格中构建深度神经网络

深度卷积神经网络并不像听起来那么令人害怕，本文将在Google表格中实现的来证明这一点。复制它（使用左上角的文件→制作复制选项），然后你就可以随意使用它来查看不同的杠杆如何影响模型的预测。

本文的其余部分将是一个简短的介绍，以了解卷积神经网络（CNN）背后的更多资源以及信息。

在继续之前，可能要向FastAI发出感谢，因为最近完成的精彩的深度学习过程，所有的灵感和信誉都归功于他们。杰出的导师杰里米·霍华德（Jeremy Howard）和他的联合创始人雷切尔·托马斯（Rachel Thomas）展示了在Excel中做CNN的想法。但据悉，电子表格并没有在网上提供，也似乎没有完全完成网络。本文对自己的工作做了一个小小的扩展，并将其放在Google表格中，这样每个人都可以轻松地进行操作。

如何构建它？

作者在MNIST数据集上训练了一个非常简单的CNN，这是一组手写数字的黑白图像。每个图像是28x28像素，每个像素被表示为0（无墨）和1（最大墨）之间的数字。这是一个经典的数据集，因为它足够小而且速度很快，但足以显示机器学习的复杂性。模型的工作则是确定图像的数量。每张图片将总是只有0-9中的一个数字。

来自MNIST的示例图像

这儿使用的是名为Keras的流行深度学习库（请参阅此处的代码）训练模型，然后将训练后的权重从模型放入表格中。训练的权重只是数字，把它放入表格，这意味着实际的工作就是从模型复制和粘贴一堆数字到表格。最后一步是添加公式来复制模型所做的工作，这只是常规的旧的乘法和加法。重申一下：复制深度学习模型预测的数学模型在乘法和加法处都停止了。

在模型的每一层中都有权重（又名“参数”）。权重是机器学习模型自动学习的，这个模型有大约1000个砝码。更复杂的模型可以容易地拥有数亿计。你可以在下面看到这个模型的全部：

何时使用卷积神经网络？

你可以使用CNN来查找连续数据中的模式，在这些模式中，存在非常积极的模式，但是很难将这些模式转化为单词，或者通过简单的规则来提取它们。 CNN的假设顺序很重要。

例如，分类图片是CNN的主要用例，因为像素在逻辑上是连续的，并且任何人都清楚有很多图案。然而，试着把一只猫和一只吉娃娃分开来，你就会明白为什么CNN是有用的。

另一方面，如果你在两支球队之间获得了现在的棒球数据，而你想预测胜利者，那么CNN将是一个奇怪的选择。因为你拥有的数据（例如胜利，损失或团队击球平均数）不是固有的顺序。顺序并不重要，我们已经提取了我们认为有用的模式。所以CNN不会有帮助。

直视CNN的背后

为了加深理解，我们把深层卷积神经网络分解成“深层”、“卷积”和“神经网络”的组成部分。

卷积

想象一下，你是盲人。但是你的工作是弄清楚这个手写图片是什么。你可以和看到图像的人交谈，但他们不知道是什么号码。所以你可以问他们很简单的问题。那么，你能做什么？

你可以采取的一种方法是，问一下这样的问题：“从右到左的对角线？”。如果有足够的问题，你可以猜测它是一个7，还是2，或者其他什么数字。

直观地说，这就是卷积正在做的事情。这台计算机也像是盲人，所以它做了能做的，并问了许多小问题。

要问这些问题，图像中的每个像素都会运行一个函数产生一个相应的像素，它可以回答这些小问题之一。卷积使用过滤器来查找模式。例如，请注意上面的过滤器（屏幕截图中的第2号）在截图中，右侧更红，而左侧更红。该过滤器将基本上会查找左边缘。

它可能并不明显，为什么它会找到左边缘，但通过电子表格，你会发现这就是数学计算的结果。过滤器可以找到像自己一样的东西。而CNN将经常使用数百个过滤器，因此你可以为每个像素获得很多“分数”。

深层

好吧，关于边缘的问题很酷，那么，更复杂的形状如何？因为现在我们有了一个“左边缘”、“顶部边缘”和其他简单的图像“过滤器”，我们可以添加另一层，并在所有以前的过滤器上运行卷积，并组合它们!所以将50/50的左边缘和上边缘结合起来可以得到一个圆角。

第二次卷积采用来自先前卷积层的相应像素，并将它们各自乘以它自己的滤波器。就像以前一样，我们对结果进行求和，并为第二个卷积层生成一个新的相应像素。

严肃的CNN将会有很多层次，这使得模型可以建立越来越抽象和复杂的形状。即使只有4层或5层，你的模型也可以开始寻找面部、动物和各种有意义的形状。

神经网络

现在你可能会问自己：“所有这些都很棒，但是想出所有正确的过滤器听起来真是太乏味了。”“那到底怎么样？我如何将这些过滤器的所有答案组合成有用的东西？“

首先，认识到高层次的CNN真的有两个“部分”是有用的。第一部分，卷积，在我们的图像数据中找到有用的特征。第二部分，电子表格末尾的“密集”层（如此命名，因为有很多权重与每个神经元绑定），对我们进行分类。一旦你拥有了这些特征，密集的图层就不会像运行一堆线性回归一样，并且将它们会组合成一个可能的数字的分数。

矩阵1是卷积的输出。然后矩阵1中的每个像素乘以矩阵2中的相应数字。总和为3，再用绿色的框重复这个过程，你最终会得到8个输出，或深度学习术语中的“神经元”。

弄清楚用于过滤器和密集层的所有权重过程十分繁杂。幸运的是，自动计算这些权重就是NN的全部意义，所以我们不需要担心这一点。但是，如果你好奇，你应该“反向传播”。

总结

每个CNN大概有两部分。卷积一开始在图像中找到有用的特征，最后的图层通常称为“密集”层，它根据这些特征对事物进行分类。

为了得到真实的感觉，推荐你用电子表格，从头到尾跟踪一个像素。与过滤器混合，看看会发生什么。

注意

训练CNN所需的数学包括微积分，所以它可以自动调整权重。 但是，一旦模型被训练，它实际上只需要乘法和加法来做预测。 在实践中，微积分是由你正在使用的任意深度学习库来处理的。