浅谈卷积神经网络

        深度学习是人工智能的一种实现方法。其中的代表是卷积神经网络。

        深度学习是重叠了很多层隐藏层的神经网络，这或许是深度的来由。

        传统机器学习：通常使用浅层的模型，比如单层的逻辑回归、支持向量机（SVM）、决策树等，它们的结构简单，学习能力有限。

        隐藏层由卷积层和池化层组成，不仅深，而且含有内置的结构。

        原书使用小恶魔，我用神经元替代。

        比如一张图片，神经元会逐个扫描这个图片，然后得到兴奋值，很多神经元都在做这个事情。图片含有偏好的模式就兴奋，最后形成一张记录兴奋度的表，是卷积层的，进一步整理后形成池化层。

        需要多少子层往往需要反复试错来确定。

        从数学上再谈卷积

        通过过滤器，得到卷积的结果，称为特征映射。

        过滤器的计算称为卷积，过滤器也称为核

        实际图像情况下，卷积层神经单元数目庞大，将信息压缩，放入池化层的神经单元中。

        将卷积层神经单元划分为不重叠的2x2的区域，计算出代表值。比如最大值。

        这样就完成了大部分深度学习的数学理论知识解释，虽然不是最基础的，而是通俗抽象的，但足够使用了