什么是cnn卷積神經網絡？ta有什么用呢？
這些問題是否現在或者曾經是你們心中的問題？
cnn卷積神經網絡詳解
cnn卷積神經網絡是一種人工智能網絡，用於圖片識別、圖片分類等。
那怎么可以進行圖片識別、分類等問題呢？
傳一些圖片進去為什么能實現訓練和分類呢？
明明就是一張人們可見的圖片，怎么能用於訓練和計算呢？
其實大家應該都知道：灰色圖片是由一個2維網格組成
灰色圖片：
而彩色圖片是由一個3層2維網格組成的，分別是R、P、G
彩色圖片
給大家用python來檢驗一下：
所以，我們可以用圖片來進行一系列數值、矩陣運算
到這里，大家應該對圖片有些了解了，接下來我們來講解一下cnn卷積神經網絡
cnn卷積神經網絡由卷積層、池化層、全連接層組成
卷積層：
這層主要是為了提取圖像的特征值（特征值就是：該類圖片與其他圖片的不同點，如兔子的耳朵、猴子的尾巴）
提取特征值的主要操作：
b=a*w+b w就是在原圖片挪動的小框框（即卷積核），小框框每個格子都有自己的值，b就是映射出來的矩陣，即映射出來的圖片，b就是一個偏移值
bij=aij*wij+b
不同卷積核能提取圖像不同的輪廓
池化層：
池化層為了減少數據量和減少特征值以防止過擬合
什么是過擬合呢？
第一個是欠擬合
第二個是擬合
第三個是過擬合
那什么是池化呢？其實與卷積差不多
就是有一個小框框（即最大池），在圖像框中挪動，提取框中的最大值
經過池化的圖像能減少一些特征值，讓圖像輪廓不那么明顯
全連接層：
在全連接之前，應該將2維、3維的圖像數據變為1維的數據
以便於后續的計算
flatten之后的長度=圖片的長度*圖片的寬度*3
圖片中的fully connected layers就是全連接層的輸入層，輸入層的神經元個數等於flatten之后的長度
即每個神經元對應每個flatten之后的數值
全連接層的最后一層（圖中的output layers）的神經元個數等於要分類的類別數
w就是每個神經元所帶的權值，a就是flatten之后每個方格的數值，b就是一個偏移量
最后把每一個output算出來
因為算出來的值有正有負，所以我們用自然指數函數將其變為正的
output=e^output
再采用下面的函數算出該張圖片是每一類的每一個概率
圖中的e^z正是剛剛算出的每一個output
概率最大的說明就是這一類
全部串起來就是這樣：
