CNN卷积神经网络介绍Niubinhan2018-6-12第一篇生物学神经网络请用视觉表达图中的动物是什么？图中是同一种动物？为什么？判断不同动物的依据是什么？人的视网膜如何工作视网膜有十层结构、其中三层被神经元占据。这十层结构在图中上而下分别是：色素上皮层，视锥、视杆细胞层，外界膜，外颗粒层，外丛状层，内颗粒层，内丛状层，神经节细胞层，神经纤维层，内界膜。其中负责接受光信号（也就是网络的输入层）的是视锥、视杆细胞（感光细胞）层（Rodsandconeslayer）。在视觉皮层中存在的两类细胞：简单细胞（simplecells)和复杂细胞(complexcells).TorstenWiesel和DavidHubel两位好基友日以继夜在猫和猴身上做实验在1950s末期发现了简单细胞又在大约十年后发现了复杂细胞。1981年的诺贝尔生理学及医学奖。动物和人的大脑如何识别图像第二篇Cnn卷积神经网络经典CNN结构图计算机看到的图片RGB三通道二维数组CNN卷积神经网络卷积神经网络是计算机视觉领域最有影响力的创造之一.2012年是卷积神经网络崛起之年。这一年，AlexKrizhevsky带着卷积神经网络参加了ImageNet竞赛（其重要程度相当于奥运会）并一鸣惊人，将识别错误率从26%降到了15%,。从那开始，很多公司开始使用深度学习作为他们服务的核心。CNN卷积神经网络识别图像的过程卷积计算-矩阵相同位置相乘求和卷积计算-矩阵相同位置相乘求和卷积核的通道数图像上做卷积的效果卷积核是什么？卷积核Kernel也叫滤波器filter，代表图像的某种特征；也称为神经元。比如垂直边缘，水平边缘，颜色，纹理等等，这些所有神经元加起来就好比就是整张图像的特征提取器集合。卷积核越深越能检测图像更高级别，更高层次，更复杂，更抽象，更泛化的特征。卷积计算为什么能检测图像的特征？神经元激活放电卷积计算本质就是相似度匹配，一样不一样。不同的卷积核多角度检测图像特征每一个卷积核代表提取不同的特征，多个卷积核提取的特征然后进行组合。可视化卷积核深度卷积核检测图像更高层次的特征•Technology•Procedure•Policies•Benefits图像卷积运算的结果相似则输出一个明显变大的值，否则输出极小值。图像卷积运算的结果相似则输出一个明显变大的值，否则输出极小值。全连接层-输出预测结果“”图像特征图的分布式特征表示映射到样本标记空间。在整个卷积神经网络中“”起到分类器的作用全连接层-输出预测结果猫狗花草汽车轮船…检查目标n权重值权重值神经元1神经元2神经元3…神经元和分类目标的权重矩阵神经元n隐含层输出的特征图SoftMax通过Softmax函数将多个标量映射为一个概率分布，输出分类结果的置信度。第三篇Cnn卷积神经网络的训练内容概述训练什么？怎么训练？基础知识训练的本质是什么？训练什么？训练输入的样本和分类对象是已定的，训练的深度（隐藏层的层数）和卷积核（神经元）的数量、卷积核的大小，都是训练前根据经验设定的。如果训练参数设置不合理会导致过拟合或者欠拟合。数据拟合科学和工程问题可以通过诸如采样、实验等方法获得若干离散的数据，根据这些数据，我们往往希望得到一个连续的函数（也就是曲线）或者更加密集的离散方程与已知数据相吻合，这过程就叫做拟合(fitting).拟合(fitting)数据拟合：是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。是一种把现有数据透过数学方法来代入一条数式的表示方式。区分两种不同的点归纳-找到规律演绎拟合任意连续函数万能近似定理Universalapproximationtheorem(Horniketal.,1989;Cybenko,1989)已经在数学上证明了前馈神经网络，只需具备单层隐含层和有限个神经单元，就能以任意精度拟合任意复杂度的连续函数.分类拟合任意连续函数非线性激活函数拟合任意连续函数对于sigmoid函数来说，w控制着的就是曲线的斜率，如果w特别大，那么就能够近似成为一个阶跃函数，而b则控制着到底在哪个位置开始进行阶跃，两个反向的阶跃函数的组合就能够组合成为一个小的冲击，于是我们有了这个东西之后就能够开始造世界了。从科学方法论来看，归纳的基本要求是足够大、且覆盖全部时间空间维度的样本+科学的统计分析。理论上归纳法不可能“完全正确”，...
