讲到AI不得不讲深度学习，而讲到深度学习，又不能不讲卷积神经网络。如果把深度学习比作中国的互联网界，那卷积神经网络和循环神经网络就是腾讯和阿里级别的地位。今天我们主要讨论的卷积神经网络，到底卷积神经网络能解决什么问题，它的结构是怎样的？是怎么学习的？应用在哪些具体的产品上？本文将为大家一一解答。
如果对深度学习还不了解的同学，建议你先看下之前的文章《深度学习到底有多深？》，对深度学习有一定的认知，对接来了的讨论可能会更容易理解。
以下是本文讨论内容的大纲：
下文的卷积神经网络，我们用简称CNN表示。
01 为什么需要用到CNN？
1. 普通的神经网络会遇到什么问题？
假设我们要做图像识别，把一张图片丢到机器，机器能理解的就是每个像素点的值，如下图：
我们在搭建好神经网络模型之后，需要做的就是用数据训练，最终需要确定的是每一个神经元参数w和b，这样我们就可以确定模型了。
假设我们输入的是50*50像素的图片（图片已经很小了），这依然有2500个像素点，而我们生活中基本都是RGB彩色图像，有三个通道，那么加起来就有2500*3=7500个像素点。
如果用普通的全连接，深度比较深时，那需要确认的参数太多了，对于计算机的计算能力，和训练模型来说都是比较困难一件事。
因此，普通神经网络的问题是：需要确认的参数太多。
那CNN是怎么解决这个问题的呢？请接着往下看。
2. CNN是怎么解决这个问题的？
第一步：局部监测
假设我们要看一张图片中有没有猫耳朵，也许我们不需要看整张图片，只需要看一个局部就行了。因此看是否是一只猫，只需要看是否有猫尾、是否有猫嘴、是否有猫眼，如果都有，那机器就预测说这张图片是一只猫。
因为这种方法看的是图片的局部，而不是全部，也就是说神经元连接的是部分的特征变量，而不是全部的特征变量，因此参数比较少。（如果这里看不懂没关系，我们后面会详细解释）。
看到这里你可能会疑问，我怎么知道取哪个局部，我怎么知道猫耳在图片的哪个部位？不着急，后面会讲到。
第二步：抽样，缩小图片
假设我们要识别一张50*50像素的猫相片，如果我们把图片缩小到25*25个像素点，那其实还是能看出这是一只猫的照片。
因此，如果把图片缩小了，就相当于输入的特征变量变少了，这样也能减少参数的量。
卷积神经网络就是用上面这两步的思想来减少参数，那具体CNN的架构是怎样的？又是怎么运行的？我们接下来详细讨论。
02 CNN的架构
CNN的架构流程图：
第一步：卷积，即局部监测。
第二步：特征抽样，即缩小图片。
然后重复第一、第二步（具体重复多少次，人为决定）。
第三步：全连接，把第一、二步的结果，输入到全连接的神经网络中，最后输出结果。
1. 卷积（Convolution）
首先，把图片转化成机器可以识别的样子，把每一个像素点的色值用矩阵来表示。这里为了方便说明，我们就简化，用6*6像素来表示，且取只RGB图片一层。
然后，我们用一些过滤器跟输入的图片的矩阵做卷积。（如果不知道卷积怎么运行的话，可以去问下百度）
那过滤器是什么呢？
——过滤器就是用来检测图片是否有某个特征，卷积的值越大，说明这个特征越明显。
说到这里，我们回顾一下前面提到的问题：我怎么知道取哪个局部，我怎么知道猫耳在图片的哪个部位？
用的办法就是：移动窗口卷积。
同一个过滤器，会在原图片矩阵上不断的移动，每移动一步，就会做一次卷积。（每一移动的距离是人为决定的）
因此移动完之后，就相当于一个过滤器就会检测完整张图片，哪里有相似的特征。
卷积跟神经元是什么样的关系呢？
上图所示有3点需要说明：
1）每移动一下，其实就是相当于接了一个神经元。
2）每个神经元，连接的不是所有的输入，只需要连接部分输出。
说到这里可能你又会有疑问了，移动一下就是一神经元，这样不就会有很多神经元了吗？那不得又有很多参数了吗？
确实可能有很多神经元，但是同一个过滤器移动时，参数是强行一致的，公用参数的。
3）所以同一个过滤器移动产生的神经元可能有很多个，但是他们的参数是公用的，因此参数不会增加。
跟不同过滤器卷积：
同一层可能不止是跟一个过滤器卷积，可能是多个。
不同的过滤器识别不同的特征，因此不同的过滤器，参数不一样。但相同的过滤器，参数是一样的。
因此卷积的特点是：
局部检测
同一个过滤器，共享参数
3. 池化（Max pooling）
先卷积，再池化，流程图：
用过滤器1卷积完后，得到了一个4*4的矩阵，假设我们按每4个元素为一组（具体多少个为一组是人为决定的），从每组中选出最大的值为代表，组成一个新的矩阵，得到的就是一个2*2的矩阵。这个过程就是池化。
因此池化后，特征变量就缩小了，因而需要确定的参数也会变少。
4. 全连接
经过多次的卷积和池化之后，把最后池化的结果，输入到全连接的神经网络（层数可能不需要很深了），最后就可以输出预测结果了。
那到这里，我们把CNN的工作流程就讲完了，但是每一步具体的意义是什么，怎么理解？
可能你还不太理的顺，接下来我们会用一些可视化的方式帮助大家理解。
03 CNN是怎样学习的？
我们以AlexNet为例，给大家展示下CNN大致的可视化过程。
AlexNet是Alex Krizhevsky等人于2012年的ImageNet比赛中提出了新型卷积神经网络，并获得了图像分类问题的最好成绩（Top-5错误率为15.3%）。
AlexNet的网络架构：
其实AlexNet的结构很简单，输入是一个224×224的图像，经过5个卷积层，3个全连接层（包含一个分类层），达到了最后的标签空间。
AlexNet学习出来的特征是什么样子的？
第一层：都是一些填充的块状物和边界等特征。
中间层：学习一些纹理特征。
更高层：接近于分类器的层级，可以明显的看到物体的形状特征。
最后一层：分类层，完全是物体的不同的姿态，根据不同的物体展现出不同姿态的特征了。
所以，它的学习过程都是：边缘→部分→整体。
关于卷积神经网络的可视化，大家想了解更多的话，可以参考文章《卷积神经网络超详细介绍》。
04 AlphaGo
前面我们提到了AlphaGo有用到CNN，那具体是怎么应用的呢，这里简答给大家科普下：
我们把围棋看成是一个19*19像素的图片，，每个像素点的取值：有黑子是1、有白子是-1，空为0。
因此，输入棋盘就是所有像素点的矩阵值，输出是下一步落子的位置。
那这个跟CNN有什么关系？
我们知道CNN擅长做的事情就是检测局部特征，那也可以把这项技能运用到下围棋上。
比如说上图这种特征，检测盘面上有没有这样的特征，如果有的话，通常下一步的落子是怎样。就好比玩剪刀石头布，检测到对方出剪刀，那机器的应对策略就是出石头。
同样可能有很多不同的特征，因此需要用不同的过滤器去检测。
而且，同一个特征可能会出现在不同的位置，因此也可以用过滤器移动的方法去检测。
AlphaGo 有没有池化？
讲到这里你会不会好奇，AlphaGo到底有没有用到CNN的池化。因为池化是把图片缩小的，围棋是19*19个点，如果缩成10*10个点，能行吗？
实际上AlphaGo是没有用到池化这一步的，所以说CNN也未见得一定要使用池化，还是需要实际问题实际解决，灵活应用。
好了，到这里就介绍完了CNN，后续我会写一篇文章介绍深度学习的另一大门派：循环神经网络RNN，感兴趣的同学记得关注哦。
