Convolutional neural network
-
CNN是简化版的原因：
神经网络不需要整张图片进行图像识别，只需要图像的部分区域就可以了；同一个识别特征的区域可能再图像的不同位置；subsameple不会改变图片里面的内容，只是将图片变小。这些方式都能够使图片再具有较少参数的情况下，识别精度保持不变；
-
CNN的实现方式：
利用filter来表示原来的整幅图像，可以用一个filter来表示一个特征，通过与图像内的每一块进行比较，确定该特征出现的位置。
学习不同的filter以后所得到的就是一个feature map
CNN其实是Fully connected neural network的简化版，将整个图像上的所有pixel铺开成向量输入，将feature map也铺开成输出向量，则一个filter相当于连接部分输入（filter向量大小）以及输出向量的权重，而且每个filter连接都是共享权重的，所以相对比fully connected neural network 所需要的参数要少的多。
max pooling值的是选定一个范围，用里面最大的值来代替着这个范围内的值
convolution 和 max pooling之后，得到一个新的image，重复上述过程。
得到足够小的image以后，将新的image拉直（Flatter），最后放到fully connected network 里面进行训练
-
CNN 在keras中的实现方式如图所示：
由于在靠近输出层时，特征抽象，所以需要的filter越多；除此以外，每次的convolution中的filter都要看上一层中所生成图像的三维架构来确定filter的数量
将最终的结果flatter后，输入到全连接网络中，进行训练
