卷積神經網絡在幾個主流的神經網絡開源架構上面都有實現，我這里不是想實現一個自己的架構，主要是通過分析一個最簡單的卷積神經網絡實現代碼，來達到進一步的加深理解卷積神經網絡的目的．
筆者在github上找到了一個十分簡單的卷積神經網絡python的代碼實現：
https://github.com/ahmedfgad/NumPyCNN
具體的怎么使用這里就不用說了，這里都有介紹，我只是分析一下這個代碼的實現過程並解析代碼，梳理一下神經網絡是怎么使用的和構造原理．
一般的神經網絡主要包含幾個步驟：
-
准備濾波器。
-
卷積層：使用濾波器對輸入圖像執行卷積操作。
-
ReLU 層：將 ReLU 激活函數應用於特征圖（卷積層的輸出）。
-
最大池化層：在 ReLU 層的輸出上應用池化操作。
-
堆疊卷積層、ReLU 層和最大池化層。
我也按照這幾個步驟去分析代碼：
一 准備濾波器：
根據濾波器的數量和每個濾波器的大小創建數組。我們有 2 個大小為 3*3 的濾波器，因此數組大小為 (2=num_filters, 3=num_rows_filter, 3=num_columns_filter)。將濾波器的尺寸選擇為沒有深度的 2D 數組，因為輸入圖像是灰度圖且深度為 1。如果圖像是具有 3 個通道的 RGB，則濾波器大小必須是（3, 3, 3=depth）。
濾波器組的大小由上述 0 數組指定，但不是由濾波器的實際值指定。可以按如下方式覆寫這些值，以檢測垂直和水平邊緣。
二 卷積處理：
在准備好濾波器之后，下一步就是用它們對輸入圖像執行卷積操作。下面一行使用 conv 函數對圖像執行卷積操作：
此類函數只接受兩個參數，即輸入圖像數據和濾波器數組，它的實現如下：
這個函數都做了些什么呢？下面我們逐一進行分析一下：
1 對卷積的過濾器做檢查，確保過濾器符合以下約束條件（行列為奇數並且相等），確保過濾器和圖像的維度相同．
２ 創建空的一個卷積提取特征的數組
３ 針對兩維的卷積網絡做卷積特征提取：conv_
從這里可以總結出，這個函數的作用就是使用過濾器對圖像做卷積處理，並提取出特征值以供后面使用．
三 ReLU激活函數層
ReLU層將ReLU激活函數應用於conv層輸出的每個特征圖上，根據以下代碼行調用ReLU激活函數：
ReLU激活函數（ReLU）的具體實現代碼如下：
ReLU思想很簡單，只是將特征圖中的每個元素與0進行比較，若大於0，則保留原始值。否則將其設置為0。
四 最大池化層
ReLU層的輸出作為最大池化層的輸入，根據下面的代碼行調用最大池化操作：
最大池化函數（max pooling）的具體實現代碼如下：
該函數接受3個參數，分別為ReLU層的輸出，池化掩膜的大小和步幅。首先也是創建一個空數組，用來保存該函數的輸出。數組大小根據輸入特征圖的尺寸、掩膜大小以及步幅來確定.
對每個輸入特征圖通道都進行最大池化操作，返回該區域中最大的值，這個就是最大池化．這就達到了降采樣的目的．
參考文檔：