更多深度文章，請關注雲端計算頻道：https://yq.aliyun.com/cloud

作者介紹：Erik Reppel，coinbase公司程式設計師

作者部落格：https://hackernoon.com/@erikreppel

作者twitter：https://twitter.com/programmer

在近些年，深度學習領域的卷積神經網路（CNNs或ConvNets)在各行各業為我們解決了大量的實際問題。但是對於大多數人來說，CNN彷彿戴上了神祕的面紗。我經常會想，要是能將神經網路的過程分解，看一看每一個步驟是什麼樣的結果該有多好！這也就是這篇部落格存在的意義。

高階CNN

首先，我們要了解一下卷積神經網路擅長什麼。CNN主要被用來找尋圖片中的模式。這個過程主要有兩個步驟，首先要對圖片做卷積，然後找尋模式。在神經網路中，前幾層是用來尋找邊界和角，隨著層數的增加，我們就能識別更加複雜的特徵。這個性質讓CNN非常擅長識別圖片中的物體。

CNN是什麼

CNN是一種特殊的神經網路，它包含卷積層、池化層和啟用層。

卷積層

要想了解什麼是卷積神經網路，你首先要知道卷積是怎麼工作的。想象你有一個5*5矩陣表示的圖片，然後你用一個3*3的矩陣在圖片中滑動。每當3*3矩陣經過的點就用原矩陣中被覆蓋的矩陣和這個矩陣相乘。這樣一來，我們可以使用一個值來表示當前視窗中的所有點。下面是一個過程的動圖：

正如你所見的那樣，特徵矩陣中的每一個項都和原圖中的一個區域相關。

在圖中像視窗一樣移動的叫做核。核一般都是方陣，對於小圖片來說，一般選用3*3的矩陣就可以了。每次視窗移動的距離叫做步長。值得注意的是，一些圖片在邊界會被填充零，如果直接進行卷積運算的話會導致邊界處的資料變小（當然圖片中間的資料更重要）。

卷積層的主要目的是濾波。當我們在圖片上操作時，我們可以很容易得檢查出那部分的模式，這是由於我們使用了濾波，我們用權重向量乘以卷積之後的輸出。當訓練一張圖片時，這些權重會不斷改變，而且當遇到之前見過的模式時，相應的權值會提高。來自各種濾波器的高權重的組合讓網路預測影象的內容的能力。 這就是為什麼在CNN架構圖中，卷積步驟由一個框而不是一個矩形表示; 第三維代表濾波器。

注意事項：

卷積運算後的輸出無論在寬度上還是高度上都比原來的小

核和圖片視窗之間進行的是線性的運算

濾波器中的權重是通過許多圖片學習的

池化層

池化層和卷積層很類似，也是用一個卷積核在圖上移動。唯一的不同就是池化層中核和圖片視窗的操作不再是線性的。

最大池化和平均池化是最常見的池化函式。最大池化選取當前核覆蓋的圖片視窗中最大的數，而平均池化則是選擇圖片視窗的均值。

啟用層

在CNN中，啟用函式和其他網路一樣，函式將數值壓縮在一個範圍內。下面列出了一些常見的函式。

在CNN中最常用的是relu（修正線性單元）。人們有許多喜歡relu的理由，但是最重要的一點就是它非常的易於實現，如果數值是負數則輸出0，否則輸出本身。這種函式運算簡單，所以訓練網路也非常快。

回顧：

CNN中主要有三種層，分別是：卷積層、池化層和啟用層。

卷積層使用卷積核和圖片視窗相乘，並使用梯度下降法去優化卷積核。

池化層使用最大值或者均值來描述一個圖形視窗。

啟用層使用一個啟用函式將輸入壓縮到一個範圍中，典型的[0,1][-1,1]。

CNN是什麼樣的呢？

在我們深入瞭解CNN之前，讓我們先補充一些背景知識。早在上世紀90年代，Yann LeCun就使用CNN做了一個手寫數字識別的程式。而隨著時代的發展，尤其是計算機效能和GPU的改進，研究人員有了更加豐富的想象空間。 2010年斯坦福的機器視覺實驗室釋出了ImageNet專案。該專案包含1400萬帶有描述標籤的圖片。這個幾乎已經成為了比較CNN模型的標準。目前，最好的模型在這個資料集上能達到94%的準確率。人們不斷的改善模型來提高準確率。在2014年GoogLeNet 和VGGNet成為了最好的模型，而在此之前是ZFNet。CNN應用於ImageNet的第一個可行例子是AlexNet，在此之前，研究人員試圖使用傳統的計算機視覺技術，但AlexNet的表現要比其他一切都高出15％。讓我們一起看一下LeNet：

這個圖中並沒有顯示啟用層，整個的流程是：

輸入圖片 →卷積層 →Relu → 最大池化→卷積層 →Relu→ 最大池化→隱藏層 →Softmax (activation)→輸出層。

讓我們一起看一個實際的例子

下圖是一個貓的圖片：

這張圖長400畫素寬320畫素，有三個通道（rgb）的顏色。

那麼經過一層卷積運算之後會變成什麼樣子呢？

這是用一個3*3的卷積核和三個濾波器處理的效果（如果我們有超過3個的濾波器，那麼我可以畫出貓的2d影象。更高維的話就很難處理）

我們可以看到，圖中的貓非常的模糊，因為我們使用了一個隨機的初始值，而且我們還沒有訓練網路。他們都在彼此的頂端，即使每層都有細節，我們將無法看到它。但我們可以製作出與眼睛和背景相同顏色的貓的區域。如果我們將核心大小增加到10x10，會發生什麼呢？

我們可以看到，由於核心太大，我們失去了一些細節。還要注意，從數學角度來看，卷積核越大，影象的形狀會變得越小。

如果我們把它壓扁一點，我們可以更好的看到色彩通道會發生什麼？

這張看起來好多了！現在我們可以看到我們的過濾器看到的一些事情。看起來紅色替換掉了黑色的鼻子和黑色眼睛，藍色替換掉了貓邊界的淺灰色。我們可以開始看到圖層如何捕獲照片中的一些更重要的細節。

如果我們增加核心大小，我們得到的細節就會越來越明顯，當然影象也比其他兩個都小。

增加一個啟用層

我們通過新增一個relu，去掉了很多不是藍色的部分。

增加一個池化層

我們新增一個池化層（擺脫啟用層最大限度地讓圖片更加更容易顯示）。

正如預期的那樣，貓咪變成了斑駁的，而我們可以讓它更加斑駁。

現在圖片大約成了原來的三分之一。

啟用和最大池化

LeNet

如果我們將貓咪的圖片放到LeNet模型中做卷積和池化，那麼效果會怎麼樣呢?

總結

ConvNets功能強大，因為它們能夠提取影象的核心特徵，並使用這些特徵來識別包含其中的特徵的影象。即使我們的兩層CNN，我們也可以開始看到網路正在對貓的晶須，鼻子和眼睛這樣的地區給予很多的關注。這些是讓CNN將貓與鳥區分開的特徵的型別。

CNN是非常強大的，雖然這些視覺化並不完美，但我希望他們能夠幫助像我這樣正在嘗試更好地理解ConvNets的人。

擴充套件閱讀

Andrej Karpathy’s cs231n!

A guide to convolution arithmetic for deep learning by Vincent Dumoulin and Francesco Visin

以上為譯文