一、CNN 用于图像分类

需要图片大小统一

 彩色图像分为R G B 三层，展平后首尾相接

值代表着颜色的强度

 图像识别中不需要全连接的，参数太多了

观测1：通过判断多个小局部图像就能判断出图片标签

感受野的定义

 简化1

• 感受野可以重叠；
• 同一感受野可以通过不同的权重

典型设置 

 观测2：相同部分出现在不同区域

简化2

共享参数

典型设置

引入filter的概念，实质是同一套权重

卷积的优势

• 有些要素比整张图片小的多
• 同一要素可能会出现在不同区域

二、另一角度切入

卷积层

多次经过卷积层

在第二次卷积时，输入的原始图片信息增加了！

所以不是一直分区域处理的。随着层数的增加，考虑的范围会逐渐变大

三、两种介绍的对比

分享的权重其实就是filter

 卷积 = 不同的filter扫过整个矩阵 = 不同的感受野公用权重参数

观测3：截出主要元素不会改变标签

引入池化层

每次选出一个作为代表

MAX pooling：每个区域选出最大的作为代表

四、CNN全过程总结

五、应用：下围棋

每个棋子有48个channel，代表48个状态

CNN为啥能用于下围棋？因为他们的这两点特征相似

由于棋子不能省略，用于围棋中不能加入池化层

更多应用：语音、自然语音处理。。。