卷积神经网络基础

卷积神经网络在识别检测，匹配重建上都有一定的应用，目前也是视觉研究的热点之一。

CNN对大多数使用这来说，是一个黑盒，我们获得较好的结果，却不能用数学进行准确的解释。但是，没有关系，这个问题不应该成为我们拒绝CNN的原因。在使用CNN的过程中，我们学习了神经网络基础的知识（各层及其功能，参数的含义等）之后，我们会有一个成长之路。

1，选着一个框架(Tensorflow, caffe)，然后跑一些demo;

2,按照他们网络的编写语法，尝试改写模型，增加一些层或换掉一些激活函数与损失函数；

上面的使我们有一个感官上的理解。

3，对自己网络进行微调

    这一步是需要分析训练测试结果，然后根据结果去调整结构和参数。只有完成了这一步才能真的使用CNN做一些工作

4，下面就是拓展了，开发新的网络结构、新的函数、研究优化方法等，当然有的人就会按照这个套路去学习RNN，LSTM等

----------------------------------------------------------------

本文就从第3点开始介绍，我们如何对网络进行微调。在介绍之前，还是先进行理论的介绍。