图片CNN（卷积神经网络）实现过程，5分钟看懂

前言

在图像处理领域，CNN（卷积神经网络）占据绝对统治地位，无数文章介绍了它的原理。我想我不可能再写一篇文章来介绍特别不同的原理，但是使用神经网络实现 CNN 的介绍要么是一大堆数学公式，要么是一长段晦涩难懂的文字。解释一下，读起来非常困难。我最近看到一篇文章，没有任何关于数学推导的内容。它只用了几张图片就非常清晰、透彻地解释了CNN神经网络的实现。英文原文在这里（https://medium.com/impactai/cnns-from- Different-viewpoints-fab7f52d159c），好的东西应该多分享，所以我也把这篇文章翻译成中文在这里给大家。喜欢原文的同学也可以直接阅读原文。

快速概述CNN的主要思想

为了帮助大家理解，这里简单概述一下CNN的主要思想：对于M * N像素的图像，我们使用大小为S * S的图像（如3*3）特征提取器扫描整个图像，验证图像重要特征，忽略不重要细节，得到特征改进的新图像：

通过不断重复上述过程，可以逐渐提取细节细节特征（例如线条、纹理）提取高级特征（例如器官、物种）并最终执行各种图像处理任务。

CNN的神经网络实现过程图

以下是介绍中提到的文章的翻译：

假设我们有一个3 * 3的图像，图像中的每个像素都由一个字母表示：

Me 特征提取是一个2*2的矩阵，矩阵的每个元素都是希腊字母：

特征分离器处理后的图像为：

详细工作过程如下：

上述工作过程可以表示为以下方程：

注意，上式中的偏置参数b在四个方程中是相同的。 b可以理解为特征提取器的一部分，就像权重参数(α,β,γ,δ)是特征提取器的一部分一样。

更简洁的写法是：

上述写法可以直接表示为神经网络（破折号对应权重α、β、γ、δ）：

激活过程神经元的权重矩阵与输入矩阵的乘积：

这里需要注意两点：

• 灰色网格中的 0 代表未经训练的参数，始终为 0。训练过程
• 待训练的其他参数中，很多参数值保持不变，这称为“分布式权重”。权重矩阵

的每一行代表特征过滤图像的一个应用，其中的0代表没有被应用覆盖的像素。

假设我们在上面的神经网络图中添加一个权重值为0（在灰线上使用0权重），我们就得到一个经典的全连接神经网络图：

去掉颜色和字母，正是与熟悉的神经网络图相同：

上面我们使用 2 * 2 特征提取器，使用零填充和 3* 将 3 * 3 图像转换为 2 * 2 图像。 3个特征提取器，我们可以保持图像大小不变：

工作过程如下：

而如果不使用零填充，则只能得到1*1的输出图像：

以上是过程将 CNN 实现为神经网络。