卷积神经网络初探
一、 什么是卷积神经网络？
说到神经网络，大家可能会想到这个：
神经网络由输入层、隐藏层、输出层组成，每个箭头代表着过程中数据的流向，图中的关键不是代表神经元的“圆圈”，而是代表神经元间链接的连接线。每个连接线都对应一个权值，这些权值是需要经过训练得到的。
卷积神经网络依旧是神经网络，只是层的功能和形式有了变化，可以理解为对传统神经网络的层级作出改进。如下图，多了许多传统神经网络没有的层次：
卷积神经网络（CNN），是一种深度学习模型，或者说，是一种类似于人工神经网络的多层感知器，常用于计算机视觉中的图像分析 ，我们这次主要讲其在自然语言处理中的应用。
第一个问题：什么是卷积（convolution）？
由内卷产生的原始积累，称为初代卷积（哈哈，开个玩笑）
图没看太明白？没关系，下面还有更详细的：
input、kernel、bias，这三个缺一不可，当然，光有这仨还不够，缺一个步长（stride）
- input 无需多说，就是输入矩阵
- kernel 又叫做卷积核，具体作用待会儿说
- bias 我理解为偏差值，对最后结果进行修正
- stride 可以理解为kernel对应的子矩阵每次滑动经过的像素
计算流程大致明白了？
对于输入矩阵，每次扫描与kernel对应大小的子矩阵，子矩阵的每个元素乘以kernel中对应位置的权值的结果之和，再加上偏差值（bias），即为最终结果，放入输出矩阵的相应位置。这只是输出矩阵中的一个元素，还早呢。
这里就差不多完成了。这是单通道单核卷积。
还有单通道多核卷积：
单通道多核卷积，无非就是多出几个输出矩阵，计算输出矩阵的流程和上面的单通道单核卷积一样。
那么，想必还有多通道单核卷积、多通道多核卷积喽？
bingo!
关于卷积，讲到这里就差不多了。
最后来个不那么严肃的说明：
图来！
现在能看懂了吗？
看不懂就对了
第二个问题：什么是pooling(池化)？
简单地讲，池化又称为降采样，本质就是采样。对数据进行降维压缩，在尽可能保留重要特征的基础上加快计算速度。
这回皮不动了哈
不太明白？来看图！
池化的方法有很多，先来一个max pooling（最大池化）压压惊：
filter是啥？stride又是啥？
(￣ ii ￣) 吸溜~(￣＂￣;)
filter，刚才忘说了，是卷积核的另一种英文表示~~（还记得什么是卷积核吧？就是刚才的kernel）~~
stride，即是步长。
最大池化，相信聪明的同学们已经看出来了，就是取filter选取的子矩阵的最大元素作为输出元素。
还有一种方法叫平均池化，是不是也懂了？（相视一笑.jpg）
总结
到这里，突然有几个问题：
卷积神经网络注重相邻位置之间的关系呢，还是注重图形边缘在图中的精确位置？
面对放大、缩小、旋转、平移后的图像，卷积神经网络还能有一样好的效果吗？