【转自】卷积神经网络CNN完全指南终极版（一） - 沉迷学习的糕糕的文章 - 知乎 https://zhuanlan.zhihu.com/p/27908027
【一】导论
卷积神经网络，也就是convolutional neural networks （简称CNN）。feature在CNN中也被成为卷积核（filter），一般是3X3，或者5X5的大小。
拿到一张图片，要对它进行识别，最简单的栗子是，这张图是什么？
比如，我现在要训练一个最简单的CNN，用来识别一张图片里的字母是X还是O。
我们人眼一看，很简单嘛，明显就是X啊，但是计算机不知道，它不明白什么是X。所以我们给这张图片加一个标签，也就是俗称的Label，Label=X，就告诉了计算机这张图代表的是X。它就记住了X的长相。
但是并不是所有的X都长这样呀。比如说...
这四个都是X，但它们和之前那张X明显不一样，计算机没见过它们，又都不认识了。
（这里可以扯出机器学习中听起来很高冷的名词 “ 欠拟合 ”）
不认识了怎么办，当然是回忆看看是不是见过差不多的呀。这时候CNN要做的，就是如何提取内容为X的图片的特征。
我们都知道，图片在计算机内部以像素值的方式被存储，也就是说两张X在计算机看来，其实是这样子的。
其中1代表白色，-1代表黑色。
如果按照每像素逐个比较肯定是不科学的，结果不对而且效率低下，因此提出其他匹配方法。
我们称之为patch匹配。
观察这两张X图，可以发现尽管像素值无法一一对应，但也存在着某些共同点。
如上图所示，两张图中三个同色区域的结构完全一致！
因此，我们就考虑，要将这两张图联系起来，无法进行全体像素对应，但是否能进行局部地匹配？
答案当然是肯定的。
相当于如果我要在一张照片中进行人脸定位，但是CNN不知道什么是人脸，我就告诉它：人脸上有三个特征，眼睛鼻子嘴巴是什么样，再告诉它这三个长啥样，只要CNN去搜索整张图，找到了这三个特征在的地方就定位到了人脸。
同理，从标准的X图中我们提取出三个特征（feature）
我们发现只要用这三个feature便可定位到X的某个局部。
feature在CNN中也被成为卷积核（filter），一般是3X3，或者5X5的大小。
【二】卷积运算
好了，下面继续讲怎么计算。四个字：对应相乘。
feature map是每一个feature从原始图像中提取出来的“特征”。其中的值，越接近为1表示对应位置和feature的匹配越完整，越是接近-1，表示对应位置和feature的反面匹配越完整，而值接近0的表示对应位置没有任何匹配或者说没有什么关联。
【三】非线性激活层的概念
卷积层对原图运算多个卷积产生一组线性激活响应，而非线性激活层是对之前的结果进行一个非线性的激活响应。
在神经网络中用到最多的非线性激活函数是Relu函数，它的公式定义如下：
f(x)=max(0,x)
即，保留大于等于0的值，其余所有小于0的数值直接改写为0。
为什么要这么做呢？上面说到，卷积后产生的特征图中的值，越靠近1表示与该特征越关联，越靠近-1表示越不关联，而我们进行特征提取时，为了使得数据更少，操作更方便，就直接舍弃掉那些不相关联的数据。
如下图所示：>=0的值不变
而<0的值一律改写为0
得到非线性激活函数作用后 的结果：
【4】pooling池化层
卷积操作后，我们得到了一张张有着不同值的feature map，尽管数据量比原图少了很多，但还是过于庞大（比较深度学习动不动就几十万张训练图片），因此接下来的池化操作就可以发挥作用了，它最大的目标就是减少数据量。
池化分为两种，Max Pooling 最大池化、Average Pooling平均池化。顾名思义，最大池化就是取最大值，平均池化就是取平均值。
拿最大池化举例：选择池化尺寸为2x2，因为选定一个2x2的窗口，在其内选出最大值更新进新的feature map。
同样向右依据步长滑动窗口。
最终得到池化后的feature map。可明显发现数据量减少了很多。
因为最大池化保留了每一个小块内的最大值，所以它相当于保留了这一块最佳匹配结果（因为值越接近1表示匹配越好）。这也就意味着它不会具体关注窗口内到底是哪一个地方匹配了，而只关注是不是有某个地方匹配上了。这也就能够看出，CNN能够发现图像中是否具有某种特征，而不用在意到底在哪里具有这种特征。这也就能够帮助解决之前提到的计算机逐一像素匹配的死板做法。
到这里就介绍了CNN的基本配置---卷积层、Relu层、池化层。