深度学习-浅谈CNNs

偶尔看到了这篇文章，感觉作者写的很容易理解，对于初步认识CNNs有很大的帮助，若想查看原文，请点击此处。

---

关于神经网络的学习方法，总结起来的要点有以下几点：

• BP算法
• 激励函数
• 正则化与交叉验证等其他防止过拟合的方法

BP神经网络在之前的工作中取到了不错的效果，但是在Micheal Nilson的数的第五章，描述了之前的神经网络在增加多个隐含层之后训练效果会大大下降，也就是说，对于层数过多的网络训练效果不理想，如何训练深层的神经网络成了一个问题，这就是深度学习的由来。

深度学习近些年来很火，尤其是在自然语言处理领域，其取得的成就也是巨大的。之前我对深度学习是有畏惧心理的，因为我觉得挺难的，后来慢慢接触，发现这个也是一个循序渐进的过程，还是要有信心。

深度学习一个最广泛的应用就是卷积神经网络（deep convolutional neural networks），也就是CNN。这篇文章就简要说一下CNN模型的基本模型。

1. Introduction of Convolutional Networks

还是以之前的手写数字识别为基本，阐述CNN。

首先从之前的BP神经网络慢慢过渡到CNN，回顾之前的手写识别问题，我们识别一副28*28的手写图片，我们将图片转换成像素，然后手写黑色点得像素点标注为1，其他空白的像素标注为0，因此形成了28*28个BP神经网络输入层，然后我们设计了一个30个神经元的中间层，以及最后的10个神经元的输入层，其典型结构如下：