萌新小白一只，刚刚接触AI，在遍历人工智能发展时就看到了“卷积神经网络”，顿时想到了去年被概率论支配的恐惧，因此想在这里分享一点经验来帮助大家更好理解。
所谓“卷积神经网络”，就是结合卷积公式，建立类似神经元的生物学模型，再加上一堆激活函数、损失函数来修正加工，最后再梯度求导达到帮助AI进行深度学习的目的。
首先我们来看一下卷积公式： fX∗fY=∫−∞∞fX(z−y)fY(y)dy=∫−∞∞fX(x)fY(z−x)dx。
这里z=x+y,fX和fY都是概率密度，fX∗fY表示卷积。其意义就是响应在输入信号上的延迟叠加。这样解释还是很抽象，我们举个例子，就拿复联来说吧。
为了守护世界的和平、抵御黑暗势力的攻击，复仇者联盟应运而生。在漫威宇宙里，他们拳打洛基，脚踢奥创(奥创也是人工智能哦)。电影放映后，IP持续爆红，项目组一看有搞头哦，接下来就安排主角团去刚大Boss灭霸，团灭后穿越时空终于打败了Boss，完结撒花。
在这里故事大纲(漫威宇宙的设定)就是输入信号，超级英雄们的行为就是响应，两者之间的联动就是卷积了，最后钢铁侠去世、美队老去相当于响应在输入的延迟叠加。
然后我们来看看神经网络，这个概念借助了神经元的特性：能够接受外界刺激，产生兴奋，传导兴奋。又因为神经元兴奋的传导是线性关系的，为了防止输入0输出0这种情况的产生和处理一些非线性情况，专家们就在这个模型里面添加了激活函数，目前常用的激活函数有很多，如Sigmoid函数(s形生长曲线)、ReLU函数(线性整流函数)等。然后再用损失函数来对比实际输出结果和理论预期结果，导出误差。
有误差就要尽量减少，不是吗？这时我们就要用到求导这种方法了，去以上的过程中找到梯度下降的地方，优化参数，误差就会减少。当然啦，以上的计算量是海量的，非计算机难以完成。
经过卷积神经网络这一过程，误差不断减小，AI就能进行深度学习了。
