标签：filter 也有 机器 weight 一个 降维 需要 缺点 work
是近些年在机器视觉领域很火的默许部分，最先由Yan Lecun提出。
如果想学细节 可看Li Feifei CS231n课程
如何工作？
给一张图片，每个圆负责处理图片的一部分。
这些圆就组成了一个filter。
filter可以识别图片中是否存在指定的pattern，以及在哪个区域存在。
下图中有4个filter，同一种颜色的filter的不同点负责图片不同的区域。
神经元利用convolution的技术查找pattern，简单地理解就是用filter的形式去查找图片是否具有某种pattern。
weights和bias对模型的效果起着重要的作用。
把白圆圈换成神经元，就是CNN的样子。
Convolution层的神经元之间没有联系，它们各自都只连接inputs。
同一层的神经元用相同的weights和bias，这样同一层的神经元就可以抓取同样的pattern，只不过是在图片上的不同的区域。
接下来是ReLU（Rectified Linear Unit）层和Pooling层，它们用来构建由convolution层找到的pattern。
CNN也用Back propagation训练，所以也有vanishing gradient的可能。而ReLU作为激活函数的话，gradients会大体保持常值的样子，这样就不会在关键的那几层有很明显的下降。
Pooling层是用来降维的。
经过convolution的ReLU的作用后，会有越来越复杂的形式，所以Pooling层负责提取出最重要的pattern，进而提高时间空间的效率。
这三层可以提取出有用的pattern，但它们并不知道这些pattern是什么。
所以接着是Fully Connected层，它可以对数据进行分类。
一个典型的Deep CNN由若干组 Convolution-ReLU-Pooling层组成。
但CNN也有个缺点，因为它是监督式学习，所以需要大量的有标签的数据。
标签：filter 也有 机器 weight 一个 降维 需要 缺点 work
原文地址：https://www.cnblogs.com/Vancuicide/p/9777294.html
