摘要： 为了简化卷积神经网络这个概念，本文将试着基于excel针对在开发深度学习模型过程中所做的运算进行解释。

为了简化卷积神经网络这个概念，我将试着针对在开发深度学习模型过程中所做的运算进行解释。要查阅这方面更多的内容，我建议在线搜索，因为网上的信息很多很多（像这样视频）。本文的这个解释来源于fast.ai仓库。

这个简单的神经网络图片基本上代表了本案例中发生的事情。

简单的神经网络

输入层

这个数字7的图像数据来自MNIST数据集，我们假设你正在使用预训练模型进行分类。

你可以在数据集中看到更大的数字7

隐藏层 1

隐藏层用于对输入进行转换，以便从输出层的数据中识别出更复杂的特征，从而做出更好的评估。

两个过滤器将呈现出不同的形状：第一个过滤器用于检测水平边缘，第二个过滤器检测垂直边缘。这个3x3的过滤器被称为卷积核。下图中的filter 1被激活用于检测输入中的水平边缘。Conv1展示了将输入分别乘以两个3x3卷积核之后的激活情况。下面的图片更形象地展示了这个过程。

虽然现在是以二维数组的形式来展示的，但它们其实应该被称为张量堆叠。每个矩阵表示张量中的一个切片。这些基本上都是线性代数中的行操作。

=SUM(F11:H13*$AD$11:$AF$13) 则是进行卷积运算。

该求和运算将根据输入中特定的3×3的部分计算得到激活数字3。

这代表了一个单一的层。

激活函数

接下来，我们将把非线性单元RELU作为激活函数来消除负数。在接下来的图片中，我们可以看到负数消失了。

隐藏层 2

接下来，我们要做另一个卷积。 Conv2将成为下一个隐藏层。我们要用Conv1同时乘以两个矩阵并取乘积之和。这里的卷积核用一个2X3X3的张量来表示。

在使用了RELU之后，我们现在创建了第二层。

第1层和第2层

最大池化

最大池化是通过对Conv2取2x2部分的最大值来得到分辨率为原始矩阵宽度和高度的一半的图像。在Maxpool矩阵中，我们可以看到Conv2的2x2部分的最大值是33。池的计算速度比卷积更快。此外，它具有平移不变性。

输出层

接下来，我们通过给Maxpool中的所有激活函数给予一个权重来建立完全连接层。这是通过矩阵乘法来实现的。在Excel中，我们将使用SUMPRODUCT函数。因此，不像以前那样需要在卷积层中解析每个部分，完全连接层将对由卷积层提取的特征执行分类，并通过最大池化层进行降采样。

文章原标题《Understanding Neural Networks Using Excel》，作者： Jean-Carlos Paredes，译者：夏天，审校：主题曲。