DJJ5210的博客

卷积神经网络卷积神经网络其实是做互相关运算，和概率论里面的卷积公式不是一个东西。理论就不过多介绍了，记住卷积神经网络是用于图像处理的，并且接受的输入不再是机器学习或者多层感知机里面的二维输入，由于图片本身就是二维数据了，再加上样本的个数这个维度，图片起码都是三维数据，并且考虑颜色通道不一样，四维的数据也很常见。

参考这篇博客能很好的理解 卷积神经网络的原理。

形象的说，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。loss确定了函数的优化目标，在loss的指引下，模型参数优化的过程，就是让loss变小的过程，使得loss最小的模型参数，就是最优的模型参数。

Cosine是一个选择，exp function也是一种选择，欧式距离什么的都可以，训练的目标是让两个相似的输入距离尽可能的小，两个不同类别的输入距离尽可能的大。从图中可以看到，他又两个输入，分别是x1和x2，左右两个的网络结构是一样的，并且他们共享权重，最后得到两个输出，分别是Gw(x1)和Gw(x2),这个网络的很好理解，当输入是同一张图片的时候，我们希望他们之间的欧式距离很小，当不是一张图片时，我们的欧式距离很大。(2) 当我们的输入是不同的图片的时候，他们之间的距离越大，损失越小。