CNN卷积神经网络
卷积神经网络是使用卷积层（Convolutional layers）的神经网络，基于卷积的数学运算。主要应用于计算机视觉的数字图像处理领域，卷积层由一组滤波器组成，滤波器可以视为二维数字矩阵。如下图所示这是一个示例3x3滤波器：**索伯滤波器**（Sobel filter）
卷积的含义
对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的卷积操作，也是卷积神经网络的名字来源。
CNN卷积神经网络层级结构
最左边是数据输入层，对数据做一些处理，比如去均值（把输入数据各个维度都中心化为0，避免数据过多偏差，影响训练效果）、归一化（把所有的数据都归一到同样的范围）、PCA/白化等等。CNN只对训练集做“去均值”这一步。
CONV：卷积计算层，线性乘积 求和。
RELU：激励层，ReLU是激活函数的一种。
POOL：池化层，简言之，即取区域平均或最大。
FC：全连接层
卷积层和池化层详解
卷积层
对于一个图像来说，我们是使用卷积核来提取特征的，卷积核可以说是一个矩阵。假如我们设置一个卷积核为3*3的矩阵，而我们图片为一个分辨率5*5的图片。那么卷积核的任务就如下所示：
从左上角开始，卷积核就对应着数据的3*3的矩阵范围，然后相乘再相加得出一个值。按照这种顺序，每隔一个像素就操作一次，我们就可以得出9个值。这九个值形成的矩阵被我们称作激活映射（Activation map)。这就是我们的卷积层工作原理。
池化层
池化过程在一般卷积过程后。池化（pooling） 的本质，其实就是采样。Pooling 对于输入的 Feature Map，选择某种方式对其进行降维压缩，以加快运算速度。它的扫描的顺序跟卷积一样，都是从左上角开始然后根据你设置的步长（作用为成倍缩小尺寸，而这个参数的值就是缩小的具体倍数）逐步扫描全局。
激活函数
常见的激活函数有大致有sigmoid、tanh、softsigh等几种，其图像如下图所示
激活函数的作用主要为以下几种：
1.为了解决对隐藏变量使用按元素运算的非线性函数进行变换，然后再作为下一个全连接层的输入。单层感知机只能表示线性空间，不能线性划分。激活函数是连接感知机和神经网络的桥梁。
2.神经网络的正向传播中进行的矩阵的乘积运算在几何学领域被称为“仿射变换”。因此，这里将进行仿射变换的处理实现为“Affine层”。几何中，仿射变换包括一次线性变换和一次平移，分别对应神经网络的加权和运算与加偏置运算。
CNN猫狗分类的项目部署
