前言
无论是机器学习还是深度学习，都是为了解决某个问题，比如为了解决分类的问题。拿猫狗分类当作例子，那么就需要知道猫，狗究竟是怎么表达的，要去了解它们的毛发，体型，长相等等。以上说的就是我们到底要选取它们的哪一些特征。
当我们选取了合适的特征之后，就可以让机器学习，深度学习这一些算法去帮我们逐步去训练，去学习它们的特征。以深度学习为例：训练完毕后，我们就可以得到在神经网络中各个层的参数。
卷积神经网络的组成
卷积神经网络概括：
卷积的主要作用是提取特征，并且在提取特征的同时能够使网络加深。因为卷积的过程是使用参数共享的方法来减少网络参数，那么这样一来就可以减少网络的运算量。参数共享的意思是使用相同的卷积核去按行、按列进行扫描，因为都是扫描的时候都是使用同一个卷积核，所以也称为权值共享。也因为参数共享的方式减少了许多运算量，所以可以对高维的数据进行处理，并且不需要在初始化的时候选取特征的属性，只需要将训练好的权重作为我们想要的特征值就可以了。在计算机视觉中，我们就会经常遇到卷积神经网络来提取特征，但是卷积神经网络的复杂性较大，使用起来需要不断调参，否则容易造成过拟合。
卷积神经网络包括，训练的过程是通过反向传播来更新权重。我们知道对于人体的神经元来说，有信号的正向传播。将这一个概念映射到神经网络中，就相当于输入样本从上一层输入，经过中间各层处理，最后从输出层输出。
但一般来说，训练的过程并非一帆风顺，如果当输出的结果与预期结果较为不符，我们希望可以通过得到的这些误差来间接调整各层的权重参数。这里就会将输出反向传播回上一层，平均地将误差作为修正依据分摊给各个神经元，从而使各个神经元进行权重的修正,使网络向误差小的方向进行训练。从而达到提升训练的效果：
卷积层：
卷积层中的卷积核可以理解为是一个m*n的矩阵，其中里边的数字代表着权重。卷积神经网络里有一个概念叫做感受野。感受野是用来表示网络内部不同神经元对图像的感受范围，也就是在CNN中表示原图的区域大小，那是因为CNN关注局部像素的相关性比较强，而较远像素的相关性则比较弱，所以神经元的感受野越大，说明它能感受到全图的范围就越大，越小则说明它越关注局部和细节。
我们可以通过卷积核里面的数字使一定区域内的像素进行加权求和、提取特征，也可以通过设置卷积核的大小来让网络只关注哪一些局部的特征，也就是提取哪一些区域的特征，所以也可以说，表达局部的程度取决于这个卷积核的卷积核大小。
一般的卷积核为奇数尺寸，这是因为奇数的对称性方便确定中心、对角线这些位置，而偶数是不对称的，有可能造成混叠错误，并且不能保证通过卷积运算后特征的尺寸保持原来不变。 常用的卷积核尺寸有3x3，5x5，7x7。尺寸越大，运算量越大，因此一般不选择大尺寸进行建模。
虽然1x1的卷积核看上去并没有考虑在前一层的局部信息关系，但是实际当中还是有1x1卷积核的使用场景。当1x1大小的卷积核出现时，大多数情况下它的作用是进行升/降特征的维度，这里的维度指的是通道数（厚度），而不改变图片的宽和高。
此外1x1的卷积核也类似全连接层的作用，可以实现不同通道上的交互以及不同通道的信息整合能力，借此增加了非线性的作用。
除了以上，卷积的特点还有：对图像的外围进行不同方式的填充，全零填充，均值填充，镜像填充；不同步长的设置，设定卷积核每次移动的步长为stride，步长一般会小于卷积核的尺寸，目的是使得窗口之间出现重叠的区域，这样可以降低窗口间边缘的不平滑。
卷积的公式：
N=(W-F+2P)/S+1
其中N：输出大小，W：输入大小，F：卷积核大小，P：填充值的大小，S：步长大小
激活函数和BN层：
卷积运算完之后一般会使用激活函数使之非线性化。因为如果只使用线性函数进行叠加的话，那么假设第一层的输出为y1=k1x+b, 第二层输出为y2=k2y1+b,那么最终第n层的输出y就可以写成kn*x+b， 这样一来，无论有多少层，都只是线性关系，模型的表达能力就受到的限制。 因此这里就需要添加激活函数进行非线性化。常见的激活函数有tanh，relu，sigmoid。
但是随着x趋向正无穷或者趋向负无穷时，激活函数的变化程度会随之减小，所以为了使特征的变化更加明显，一个比较好的办法就是让特征处于激活函数的活跃区域，也就是梯度变化较大的区域，这样就可以让网络更好地学习了。这里就涉及到了BN层的数据归一化作用。
BN也是Batch Normalization的意思，在数据预处理阶段，数据通常会被标准化以降低样本之间的差异性、加快收敛速度。同样地，对神经网络内部隐藏层的输出也可以进行标准化，即增加BN层使输出服从高斯分布，然后再送入下一层进行处理。BN层一般位于卷积层的后面，池化层的前面。
传统的处理方法为：
a.去均化：将输入的数据减去他们的均值，将各个维度的中心归零。
(x-min )/ max - min
b.归一化：将各个维度的幅度归一化到一定的范围内。
(x - mean ) / var
此外，标准化后的数据在0-1范围，不会造成像上一层的数值大小为255，而这一层却仅仅为15这样小的结果，从而造成数据相差过大的现象（因为这样产生的数据差别过大现象会造成梯度爆炸，从而使训练失效）。这样一来，因为数据都已经固定在一定的范围内了，所以也可以允许网络使用较大的学习率，来加快收敛的速度。
需要注意的是：BN层可以使梯度传递的更加流畅，但是随着网络的加深，模型训练速度会变慢。
池化层：
池化层也称为采样层，它可以缩减上一层的输入，减少参数的个数。因为卷积神经网络拥有许多的参数，所以可能出现网络的参数过分迁就训练集中的样本，从而导致过拟合的现象（也就是在训练集上表现良好，但是在评估集上准确率就相差许多）。比如一张图上的6x6个像素合并成了一个像素，这样就可以又起到提取显著的特征、最大化保留图像的有效信息，又舍弃了个别信息、使特征图变小的作用。这样也就意味着模型参数的减少，从而一定程度上减缓过拟合。
池化也分为：有最大值池化，和均值池化两种方式。 顾名思义，最大池化就是取这个窗口范围内的最大值作为代表，平均池化就是取窗口范围内的平均值作为代表。
全连接层：
如果说卷积层的作用是提取特征，那么全连接层的作用就是将所有特征组合在一起，最后生成一个分类器。全连接层的作用是和上一层的神经元全部连接在一起，连在一起的作用可以忽略空间结构上的影响，比如特征是一样的，但是特征的位置不同，那么分类结果有可能不同。
假设我们输出的特征结果为：[0 1 0 0]、 [0 0 0 1]。那么全连接层就可以直接将这个特征图做运算，输出一个值，这样忽略了这个值的位置。当连接完所有的特征之后，全连接层就可以将输出值送给分类器（如softmax）进行分类或者其他的任务。
