什么是 CNNs（卷积神经网络）？

也许你曾经想知道 Facebook 或 Instagram 如何能够自动识别图像中的面部，或者 Google 如何让你通过上传自己的照片在网上搜索类似的照片。这些功能是计算机视觉的例子，它们是由 卷积神经网络 (CNNs) 提供的。那么，什么是卷积神经网络？让我们深入了解 CNN 的架构，并了解它们的工作原理。

什么是神经网络？

在我们开始讨论卷积神经网络之前，让我们先定义一下普通的神经网络。关于神经网络的主题有 另一篇文章 可供参考，所以我们这里不会对其进行过多的介绍。然而，为了简要地定义它们，神经网络是受人类大脑启发的计算模型。神经网络通过调整“权重”来操作数据，这些权重是关于输入特征之间以及对象类别之间的关系的假设。随着网络的训练，权重的值会被调整，希望它们能够收敛到能够准确捕捉特征之间关系的权重。
这就是前馈神经网络的工作原理，而 CNN 由两个部分组成：一个前馈神经网络和一组卷积层。

什么是卷积神经网络 (CNNs)？

卷积神经网络中的“卷积”是什么？卷积是一种数学运算，创建一组权重，基本上是创建图像部分的表示。这种权重集被称为 核或滤波器。创建的滤波器比整个输入图像小，仅覆盖图像的一个子部分。滤波器中的值与图像中的值相乘。然后，滤波器被移动以形成图像新部分的表示，这个过程被重复，直到整个图像被覆盖。
另一种思考方式是想象一个砖墙，砖代表输入图像中的像素。一个“窗口”被滑动在墙上，这就是滤波器。通过窗口可见的砖就是像素，其值被滤波器中的值乘以。因此，这种使用滤波器创建权重的方法通常被称为“滑动窗口”技术。
滤波器在整个输入图像上移动的输出是一个二维数组，表示整个图像。这个数组被称为“特征图”。

为什么卷积是必需的

为什么要创建卷积？卷积是必要的，因为神经网络必须能够将图像中的像素解释为数字值。卷积层的功能是将图像转换为神经网络可以解释的数字值，然后从中提取相关模式。卷积网络中的滤波器的作用是创建一个二维数组的值，可以传递到神经网络的后续层，这些层将学习图像中的模式。
滤波器和通道

Photo: cecebur via Wikimedia Commons, CC BY SA 4.0 (https://commons.wikimedia.org/wiki/File:Convolutional_Neural_Network_NeuralNetworkFeatureLayers.gif)