Covolutinal Neural Network
- 数据量降维
- 有效保留图片特征，有效表示出spatial structure
Before CNN, problem of applying Fully NN to Image Data:
- Too many parameters require a lot of data
- Does not capture the spatial structure
数据量大
图像由像素构成，每个像素由颜色构成。
假设一张1kx1k像素的图片，每个像素有RGB三个参数表示颜色信息
处理该图片需要处理3百万个像素
基本原理
典型的CNN由三部分组成：
- 卷积层
- 池化层
- 全连接层
简单描述功能：
卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的结果
卷积：提取特征
image -> Convolved feature
用一个过滤器过滤图像的各个子区域，从而得到子区域特征值
每个过滤器代表一种图像模式。如果卷积值较大，则认为此图像块十分接近于此卷积核（过滤器）。
如果设计了100个过滤器，可以理解成：我们认为这个图像由100钟底层纹理模式。用100种模式能够描绘一幅图像。
Feature Map
每种滤波器去卷积图像就得到对图像的不同特征的放映，我们称之为Feature Map。所以100种卷积核就有100个Feature Map。这100个Feature Map就组成了一层神经元。
共享参数
每一个卷积核共享一个参数。每一层神经元的参数个数等于卷积核的种类乘以每种卷积核的参数。每种卷积核的参数等于感受野的大小x深度（RGB就是3）+1
池化层（下采样）：数据降维，避免过拟合
Convolved feature -> Pooled feature
池化的过程是非重叠的
References：
- https://easyai.tech/ai-definition/cnn/
