版权声明：本文为博主原创文章，转载请说明出处。 https://blog.csdn.net/kane7csdn/article/details/84890592
在机器学习中，卷积神经网络(CNN)经常使用在图像分类的特征提取上，
那么CNN是如何决定提取哪些特征的呢，这里我想用文氏图(Venn)来理解一下。
文氏图(Venn diagram)也叫韦恩图，是用来表示集合的一种草图。
CNN提取特征（训练）和匹配特征（识别）的实际过程就是拿权值参数不同的fliters与输入的区域块相点乘。
现在有一个带标签的图片训练集，其中包含有Object1、Object2和Object3，
那么Object1、Object2和Object3的特征F ={A,B,C,D,E,F,G}，便可形成一个文氏图：
CNN在训练过程中，对于Object1来说，一开始提取A-G特征的filters的权值参数一样，所以经过CNN后得出的结果也一样。
但是在计算loss来进行optimize时，会发现提高对提取特征A的filters的权值参数比提高对提取特征B-G的filters的权值参数更能最小化loss。
那么CNN在经过训练后，提取特征A、B、C的filters的权值参数将会最大，提取特征D、E、F的filters的权值参数将会较小，而提取特征G的filters的权值参数将会很小。
这些表述听起来很饶舌，也可能有不准确的地方，之后会继续完善。