CNN 主要乾了什麼

CNN主要實現的就是特徵提取，最經典的應用就是從多個圖片中提取出有用的資訊。這個過程對於人來說是個黑盒的過程，人們並不能很確切的知道里面發生了什麼。結果也是非常抽象的，但是卻能學習到很好的效果。

一個CNN的結構： 輸入→卷積→ReLU→卷積→ReLU→池化→ReLU→卷積→ReLU→池化→全連線

Filter

Filter（過濾器）也被稱為神經元或者核(Kernal) ，過濾器可以被看成是特徵識別符號（ feature identifiers）。這裡的特徵指的是例如直邊緣、原色、曲線之類的東西。想一想所有影象都共有的一些最簡單的特徵。

卷積層

卷積層就是一個Filter掃過整個圖片獲得的結果

MaxPooling

Pooling層對於卷積層進行了個一個降維的操作。 Max Pooling是對一個卷積層抽取的特徵值取最大的值作為這個層的保留值， 其他值全部拋棄，這個值代表了特徵值種最顯著的特徵。他可以減少模型的引數數量，減少過擬合的問題。

全連線層

完全連線層觀察高階特徵和哪一分類最為吻合和擁有怎樣的特定權重，因此當計算出權重與先前層之間的點積後，你將得到不同分類的正確概率。

Reference: https://www.zhihu.com/question/52668301/answer/131573702