近日，Dishashree Gupta 在 AnalyTIcsvidhya 上發(fā)表了一篇題為《Architecture of ConvoluTIonal Neural Networks (CNNs) demysTIfied》的文章，對用于圖像識別和分類的卷積神經(jīng)網(wǎng)絡架構作了深度揭秘；作者在文中還作了通盤演示，期望對 CNN 的工作機制有一個深入的剖析。
 

先坦白地說，有一段時間我無法真正理解深度學習。我查看相關研究論文和文章，感覺深度學習異常復雜。我嘗試去理解神經(jīng)網(wǎng)絡及其變體，但依然感到困難。

接著有一天，我決定一步一步，從基礎開始。我把技術操作的步驟分解開來，并手動執(zhí)行這些步驟（和計算），直到我理解它們?nèi)绾喂ぷ?。這相當費時，且令人緊張，但是結果非凡。

現(xiàn)在，我不僅對深度學習有了全面的理解，還在此基礎上有了好想法，因為我的基礎很扎實。隨意地應用神經(jīng)網(wǎng)絡是一回事，理解它是什么以及背后的發(fā)生機制是另外一回事。

今天，我將與你共享我的心得，展示我如何上手卷積神經(jīng)網(wǎng)絡并最終弄明白了它。我將做一個通盤的展示，從而使你對 CNN 的工作機制有一個深入的了解。

在本文中，我將會討論 CNN 背后的架構，其設計初衷在于解決圖像識別和分類問題。同時我也會假設你對神經(jīng)網(wǎng)絡已經(jīng)有了初步了解。

人類大腦是一非常強大的機器，每秒內(nèi)能看（捕捉）多張圖，并在意識不到的情況下就完成了對這些圖的處理。但機器并非如此。機器處理圖像的第一步是理解，理解如何表達一張圖像，進而讀取圖片。

簡單來說，每個圖像都是一系列特定排序的圖點（像素）。如果你改變像素的順序或顏色，圖像也隨之改變。舉個例子，存儲并讀取一張上面寫著數(shù)字 4 的圖像。

基本上，機器會把圖像打碎成像素矩陣，存儲每個表示位置像素的顏色碼。在下圖的表示中，數(shù)值 1 是白色，256 是最深的綠色（為了簡化，我們示例限制到了一種顏色）。

一旦你以這種格式存儲完圖像信息，下一步就是讓神經(jīng)網(wǎng)絡理解這種排序與模式。

表征像素的數(shù)值是以特定的方式排序的。

假設我們嘗試使用全連接網(wǎng)絡識別圖像，該如何做？

全連接網(wǎng)絡可以通過平化它，把圖像當作一個數(shù)組，并把像素值當作預測圖像中數(shù)值的特征。明確地說，讓網(wǎng)絡理解理解下面圖中發(fā)生了什么，非常的艱難。

即使人類也很難理解上圖中表達的含義是數(shù)字 4。我們完全丟失了像素的空間排列。

我們能做什么呢？可以嘗試從原圖像中提取特征，從而保留空間排列。

案例 1

這里我們使用一個權重乘以初始像素值。

現(xiàn)在裸眼識別出這是「4」就變得更簡單了。但把它交給全連接網(wǎng)絡之前，還需要平整化（flatten) 它，要讓我們能夠保留圖像的空間排列。

案例 2

現(xiàn)在我們可以看到，把圖像平整化完全破壞了它的排列。我們需要想出一種方式在沒有平整化的情況下把圖片饋送給網(wǎng)絡，并且還要保留空間排列特征，也就是需要饋送像素值的 2D/3D 排列。

我們可以嘗試一次采用圖像的兩個像素值，而非一個。這能給網(wǎng)絡很好的洞見，觀察鄰近像素的特征。既然一次采用兩個像素，那也就需要一次采用兩個權重值了。

希望你能注意到圖像從之前的 4 列數(shù)值變成了 3 列。因為我們現(xiàn)在一次移用兩個像素（在每次移動中像素被共享），圖像變的更小了。雖然圖像變小了，我們?nèi)阅茉诤艽蟪潭壬侠斫膺@是「4」。而且，要意識到的一個重點是，我們采用的是兩個連貫的水平像素，因此只會考慮水平的排列。

這是我們從圖像中提取特征的一種方式。我們可以看到左邊和中間部分，但右邊部分看起來不那么清楚。主要是因為兩個問題：

1. 圖片角落左邊和右邊是權重相乘一次得到的。
2. 左邊仍舊保留，因為權重值高；右邊因為略低的權重，有些丟失。

現(xiàn)在我們有兩個問題，需要兩個解決方案。

案例 3