剛開始接觸深度學習、卷積神經網路的時候非常懵逼，不知道從何入手，我覺得應該有一個進階的過程，也就是說，理應有一些基本概念作為奠基石，讓你有底氣去完全理解一個龐大的卷積神經網路：

本文思路：

一、我認為學習卷積神經網路必須知道的幾個概念：

1、卷積過程：

  我們經常說卷積神經網路卷積神經網路，到底什麼才是卷積？網路層卷積過程到底怎麼實現？我們在這裡借鑑了另一位部落格大牛的動態圖來給大家演示一下，

  圖作者文章在此：http://blog.csdn.net/silence1214/article/details/11809947

我們可以看到，卷積過程其實還是基於一個固定的矩陣，在另外一個矩陣不斷一格一格掃過去的到的數值的和，（注意：這裡的一格一格非常重要，因為涉及後面的概念：步長→我們不妨想一想當固定矩陣不是一格一格前進的時候，會發生什麼呢？）產生的一個新的矩陣，我們以作為比較會發現：粉紅色矩陣和綠色矩陣在根本上有很大不一樣，

第一，卷積之後的維數降低了；第二，我們要想想為什麼降維了？（思考：降低維度到底有沒有規律？）

  答案是有的：我們發現橙色的固定框為3*3，綠色是5*5，出來是三乘三；

  所以規律可以得到：粉紅色最後的卷積結果矩陣維度=綠色矩陣維數-橙色矩陣維數+1

  （我們又應該思考：如果我不想最後減少維度，我只希望卷積，怎麼辦呢？）

2、兩層之間的池化：

  我們依然延用部落格大牛的另一個動圖（再次點贊做的精細準確！）

我們可以發現其實跟之前沒什麼不一樣：還是以三個矩陣之間的運算，但是我們很容易發現，它並不是一行一行掃過去的，橙色矩陣維度是黃色矩陣的整數倍，所以池化的最終的結論是要把原來的維度減少到1/n.這是池化最根本的原理（當然也有特殊情況。）

（思考點：我們想象一下如果一個19*19的矩陣做池化，會是一種什麼樣的體驗呢？我們不可以縮小整數倍！！答案會在後面的VGG16裡面講清楚，不急不急）

3、第三個知識點是步長的概念：

  卷積核（後面講到VGG16會介紹）移動的步長（stride）小於卷積核的邊長（一般為正方行）時，變會出現卷積核與原始輸入矩陣作用範圍在區域上的重疊（overlap），卷積核移動的步長（stride）與卷積核的邊長相一致時，不會出現重疊現象。

  通俗一點其實就是：剛剛說的那個粉紅色矩陣，他每一次移動多少格，格子就是步長！！

4、卷積核：

  一個聽起來很高大上的詞語，我們依然用之前的基礎來解釋：通俗易懂：就是粉紅色矩陣的個數！！因為有時候我們要提取的特徵非常多非常廣泛，所以需要我們用更多的矩陣來掃（多掃幾遍），那麼粉紅色矩陣的個數就是卷積核個數。

5、Padding:

  這個應該是最抽象的概念了：但是也不會特別難呢，就是我們在之前講到第一點：卷積的時候，我拋下了一個問題：

 （我們又應該思考：如果我不想最後減少維度，我只希望卷積，怎麼辦呢？）（現在知道括號的重要性了吧哈哈？）

  現在我們來解決這個問題：比如：我們需要做一個300*300的原始矩陣，用一個3*3卷積核（粉紅色矩陣）來掃，掃出來，按照之前公式，結果的矩陣應該是：298*298的矩陣，但是這樣很難計算，減得也不多，反而增加我計算難度，還不如池化（pooling）來得乾脆是吧！那我們就在300*300矩陣外面周圍加一圈“0”，記住，是在外面外包一層“0”

重點是：這樣的300*300就變成了302*302的矩陣，這樣就可以完全避開卷積後那兩層的抵消。

6、還有一個就是通道的概念：這個不算知識點，僅僅是一個常識詞語，比如一張圖片，有RGB三種顏色，對應三個灰度級別，也就是三個通道了：

更加抽象的圖可以參照下面的結構：

二、等待已久的VGG16：

VGG16分為16層，我們主要講前面的前幾層（越詳細越好吧，後面是一樣的）

——首先教會大家一個看其他神經網路也是用的辦法：官方資料表格：

看懂一些式子表達：

Conv3-512   →    第三層卷積後維度變成512；

Conv3_2 s=2     →     第三層卷積層裡面的第二子層，滑動步長等於2（每次移動兩個格子）

好了，我們有了以上的知識可以考試剖析VGG16卷積神經網路了

三、利用之前的基本概念來解釋深層的VGG16卷及網路；

【1、從INPUT到Conv1：】

首先兩個黃色的是卷積層，是VGG16網路結構十六層當中的第一層（Conv1_1）和第二層（Conv1_2），他們合稱為Conv1。

我們主要講述第一個，也就是第一層（Conv1_1），它怎麼把一個300*300*3的矩陣變成一個300*300*64的矩陣？

我們假設藍色框是一個RGB影象，橙色是一個3*3*3的卷積核，我們對一個三維的27個數求和，然後掃過去，按照第一部分算的得出來的是一維的298*298的矩陣（因為卷積核也是三維所以結果是一維）；

然後回想一下什麼是Padding、前面也講過它的概念了；所以不了一圈的圓，回到了300*300*1；

然後，VGG16這一層安置有64個卷積核，那麼，原來的300*300*1變成300*300*64

於是我們的到了想要的東西；最後的綠色框；

【1、從Conv1到Conv2之間的過度：】

這一步用的Pooling是：2*2*64 s=2；

也就是說，步長是二，滑動的矩陣本身沒有重疊；剛好減半，第三維度64不變；

【3、順利來到Conv2並且結構完全一樣進入Conv3：】

我們知道原來INPUT是300*300*3過了第一層出來時150*150*64

那麼第二層仍然有池化有128個卷積核，聯想推理：

出來的應該是75*75*128；這一步沒有問題，我們繼續往下分析：

【4、進入Conv3的推演：】

可以知道第三層有256個卷積核，包含三層小的卷基層：

【5、從Conv3到Conv4之間的過度：】

池化沒有問題，但是這裡75不是一個偶數怎麼弄，還記得我們第一部分前面的括號嗎？

就是這樣，我們在75這裡相加了一個一，使之成為76，變成一個偶數，還有一種方法是通過步長的設定這裡先不展開來講了；

【6、後續的步驟】

  後面的方法很簡單，根據我給的那個VGG16的表格查詢每一層裡面有什麼卷積核？多少個？池化的大小？步長多少？是否需要Padding？解決這些問題，你的VGG16就已經完全可以從頭到尾說清楚了！！！

【7、Faster Rcnn的例子】

http://blog.csdn.net/errors_in_life/article/details/70916583

____________後續我將介紹一些基於VGG16深度學習的影象分類知識，一個愛分享自己錯誤和經驗的師兄，多多指教！