卷积神经网络工作原理（基本的四步）
一 ：识别
前提：由于图像以矩阵（2维）储存，所以我们要输入一个矩阵（图像）经过CNN后再得到输出。
(1)卷积操作（特征提取）:
解释：为什么要进行卷积操作？难道原图不是最好的特征图像吗？
人可以看出下面四幅图是X，但机器呢？
用训练（最后解释训练）得到的一个卷积核（二维或一维的小矩阵，也就是X的一个特征，就如X有经过训练后得到的三个基本特征分别是/,,x,）再矩阵（图像）上逐格进行运算，运算后变得到一个新的二维矩阵，这个新的矩阵就是原图的特征图像。
（先说一下怎么进行运算）
->
（怎么逐步）
但我们知道卷积核只是（举例）X的一个小特征，一个X就可以包涵多个小特征，
一个人脸有成千上万个特征，我们要拿成千上万个卷积核（小特征）去提取，运算量非常大，这就引出了我们下一步操作，即是RUEL。（2）RELU（激活函数）：
解释：RELU操作即是设定一个阈值，把池化后的到的矩阵上小于阈值的点都变为0，更加便于运算（因为0*x=0），而且阈值以下的点都是特征高度不匹配的，所以变为0并不会使特征图像变化。（下图把小于0的点变为0）
此时运算量虽然大大减小，但还能通过池化方法进一步缩小。
(3)下采样（池化）：把得到的特征图像进行缩小，减少运算量。
（怎样缩小）
（池化方法有两种分别是最大值提取与平均值提取）
这三个基本操作已经把特征图像与运算量一步步缩小，那么这三个步骤循环几次运算量岂不是更小（美滋滋），而且此时图像的线性对应，已经逐步转化为非线性对应。就是假如X的一个特征原本假如是/，经过RELE与池化后就算/上多出几个点就会被忽略。
（4）全连接层
假如X有经过训练后得到的三个基本特征分别是/,,x,我们用这三个不同卷积核对图像进行（卷积-RELU-池化）后得到三个最终的不同的特征图，全连接就是把这三个小矩阵（特征图）变成一个特征向量：就是把多维，多个特征变成一维特征，就叫特征向量
列如把X的特征x放在第一位，/放在第二位，\放在第三位，三个特征图就变为了一维12行的特征向量了，此时每个特征点都对应以个权重（权重怎么来的稍后解释），例如x特征出现时原图为X的概率为0.9，/出现时X概率为……，这个时候我们把每一个特征点都乘以相应的权重在相加，就能判断出原图是X的概率是多少，如果值非常大那么我们便断定此图就是X。二：训练一个模型（最终卷积核与权重的获取）：
前面我们说到X有三个小特征，那么这三个小特征是怎么得来的呢？
特征向量上每一个特征点所对应的权重又是怎么来的？
先解释一下超参数：例如卷积核的大小（里面的数字是随机生成的，参数只需要定义大小就行），池化方法大小等一系列无法通过学习得到，而需要人为给定的参数的总称叫做超参数。不过这些参数已经有大致的最优范围，这些我们都是可以借鉴先人的，只需要根据情况进行微调就行。
我们给定要训练的图像，即是正确的X（需要大量的不同的X的图像去喂饱它），起初，算法会根据<超参数>自动随机定义卷积核即其对应的权重，池化方法与池化大小等，那么就又回到了识别的第一步，只不过此时的卷积核是不准确的，输出的结果：即是原图为X的概率不会是100%，甚至偏差很大，这时就需要一个损失函数与误差反向传播算法（具体我不理解），误差反向传播算法会把误差原因传递给自定义的卷积核与权重，使其进行修改调整，这时又要引入梯度下降原理简单的说就是求导，求出损失函数的最小值，即是导数为0的点。
只不过，X有多个卷积核每个特征点对应的权重，不是普通的二维求导，而是多维求导。通过此过程把损失函数的值，即误差一步步的降到最小值，每一次调整都会进一步的接近比较完美的卷积核与权重，当误差值最小的时候，我们便把此模型叫为训练好的模型。训练好的模型有最完美的卷积核与其对应的权重，训练的过程就叫做机器学习的过程，卷积核并不是人为给定的，而是机器通过自身的学习得到的，这就是机器学习的强大与魅力所在！
