講到AI不得不講深度學習，而講到深度學習，又不能不講卷積神經網絡。如果把深度學習比作中國的互聯網界，那卷積神經網絡和循環神經網絡就是騰訊和阿里級別的地位。今天我們主要討論的卷積神經網絡，到底卷積神經網絡能解決什么問題，它的結構是怎樣的？是怎么學習的？應用在哪些具體的產品上？本文將為大家一一解答。

如果對深度學習還不了解的同學，建議你先看下之前的文章《深度學習到底有多深？》，對深度學習有一定的認知，對接來了的討論可能會更容易理解。

以下是本文討論內容的大綱：

下文的卷積神經網絡，我們用簡稱CNN表示。

01 為什么需要用到CNN？

1. 普通的神經網絡會遇到什么問題？

假設我們要做圖像識別，把一張圖片丟到機器，機器能理解的就是每個像素點的值，如下圖：

我們在搭建好神經網絡模型之后，需要做的就是用數據訓練，最終需要確定的是每一個神經元參數w和b，這樣我們就可以確定模型了。

假設我們輸入的是50*50像素的圖片（圖片已經很小了），這依然有2500個像素點，而我們生活中基本都是RGB彩色圖像，有三個通道，那么加起來就有2500*3=7500個像素點。

如果用普通的全連接，深度比較深時，那需要確認的參數太多了，對于計算機的計算能力，和訓練模型來說都是比較困難一件事。

因此，普通神經網絡的問題是：需要確認的參數太多。

那CNN是怎么解決這個問題的呢？請接著往下看。

2. CNN是怎么解決這個問題的？

第一步：局部監測

假設我們要看一張圖片中有沒有貓耳朵，也許我們不需要看整張圖片，只需要看一個局部就行了。因此看是否是一只貓，只需要看是否有貓尾、是否有貓嘴、是否有貓眼，如果都有，那機器就預測說這張圖片是一只貓。

因為這種方法看的是圖片的局部，而不是全部，也就是說神經元連接的是部分的特征變量，而不是全部的特征變量，因此參數比較少。（如果這里看不懂沒關系，我們后面會詳細解釋）。

看到這里你可能會疑問，我怎么知道取哪個局部，我怎么知道貓耳在圖片的哪個部位？不著急，后面會講到。

第二步：抽樣，縮小圖片

假設我們要識別一張50*50像素的貓相片，如果我們把圖片縮小到25*25個像素點，那其實還是能看出這是一只貓的照片。

因此，如果把圖片縮小了，就相當于輸入的特征變量變少了，這樣也能減少參數的量。

卷積神經網絡就是用上面這兩步的思想來減少參數，那具體CNN的架構是怎樣的？又是怎么運行的？我們接下來詳細討論。

02? CNN的架構

CNN的架構流程圖：

第一步：卷積，即局部監測。

第二步：特征抽樣，即縮小圖片。

然后重復第一、第二步（具體重復多少次，人為決定）。

第三步：全連接，把第一、二步的結果，輸入到全連接的神經網絡中，最后輸出結果。

1. 卷積（Convolution）

首先，把圖片轉化成機器可以識別的樣子，把每一個像素點的色值用矩陣來表示。這里為了方便說明，我們就簡化，用6*6像素來表示，且取只RGB圖片一層。

然后，我們用一些過濾器跟輸入的圖片的矩陣做卷積。（如果不知道卷積怎么運行的話，可以去問下百度）

那過濾器是什么呢？

——過濾器就是用來檢測圖片是否有某個特征，卷積的值越大，說明這個特征越明顯。

說到這里，我們回顧一下前面提到的問題：我怎么知道取哪個局部，我怎么知道貓耳在圖片的哪個部位？

用的辦法就是：移動窗口卷積。

同一個過濾器，會在原圖片矩陣上不斷的移動，每移動一步，就會做一次卷積。（每一移動的距離是人為決定的）

因此移動完之后，就相當于一個過濾器就會檢測完整張圖片，哪里有相似的特征。

卷積跟神經元是什么樣的關系呢？

上圖所示有3點需要說明：

1）每移動一下，其實就是相當于接了一個神經元。

2）每個神經元，連接的不是所有的輸入，只需要連接部分輸出。

說到這里可能你又會有疑問了，移動一下就是一神經元，這樣不就會有很多神經元了嗎？那不得又有很多參數了嗎？

確實可能有很多神經元，但是同一個過濾器移動時，參數是強行一致的，公用參數的。

3）所以同一個過濾器移動產生的神經元可能有很多個，但是他們的參數是公用的，因此參數不會增加。

跟不同過濾器卷積：

同一層可能不止是跟一個過濾器卷積，可能是多個。

不同的過濾器識別不同的特征，因此不同的過濾器，參數不一樣。但相同的過濾器，參數是一樣的。

因此卷積的特點是：

• 局部檢測
• 同一個過濾器，共享參數

3. 池化（Max pooling）

先卷積，再池化，流程圖：

用過濾器1卷積完后，得到了一個4*4的矩陣，假設我們按每4個元素為一組（具體多少個為一組是人為決定的），從每組中選出最大的值為代表，組成一個新的矩陣，得到的就是一個2*2的矩陣。這個過程就是池化。

因此池化后，特征變量就縮小了，因而需要確定的參數也會變少。

4. 全連接

經過多次的卷積和池化之后，把最后池化的結果，輸入到全連接的神經網絡（層數可能不需要很深了），最后就可以輸出預測結果了。

那到這里，我們把CNN的工作流程就講完了，但是每一步具體的意義是什么，怎么理解？

可能你還不太理的順，接下來我們會用一些可視化的方式幫助大家理解。

03 CNN是怎樣學習的？

我們以AlexNet為例，給大家展示下CNN大致的可視化過程。

AlexNet是Alex Krizhevsky等人于2012年的ImageNet比賽中提出了新型卷積神經網絡，并獲得了圖像分類問題的最好成績（Top-5錯誤率為15.3%）。

AlexNet的網絡架構：

其實AlexNet的結構很簡單，輸入是一個224×224的圖像，經過5個卷積層，3個全連接層（包含一個分類層），達到了最后的標簽空間。

AlexNet學習出來的特征是什么樣子的？

• 第一層：都是一些填充的塊狀物和邊界等特征。
• 中間層：學習一些紋理特征。
• 更高層：接近于分類器的層級，可以明顯的看到物體的形狀特征。
• 最后一層：分類層，完全是物體的不同的姿態，根據不同的物體展現出不同姿態的特征了。

所以，它的學習過程都是：邊緣→部分→整體。

關于卷積神經網絡的可視化，大家想了解更多的話，可以參考文章《卷積神經網絡超詳細介紹》。

04 AlphaGo

前面我們提到了AlphaGo有用到CNN，那具體是怎么應用的呢，這里簡答給大家科普下：

我們把圍棋看成是一個19*19像素的圖片，，每個像素點的取值：有黑子是1、有白子是-1，空為0。

因此，輸入棋盤就是所有像素點的矩陣值，輸出是下一步落子的位置。

那這個跟CNN有什么關系？

我們知道CNN擅長做的事情就是檢測局部特征，那也可以把這項技能運用到下圍棋上。

比如說上圖這種特征，檢測盤面上有沒有這樣的特征，如果有的話，通常下一步的落子是怎樣。就好比玩剪刀石頭布，檢測到對方出剪刀，那機器的應對策略就是出石頭。

同樣可能有很多不同的特征，因此需要用不同的過濾器去檢測。

而且，同一個特征可能會出現在不同的位置，因此也可以用過濾器移動的方法去檢測。

AlphaGo 有沒有池化？

講到這里你會不會好奇，AlphaGo到底有沒有用到CNN的池化。因為池化是把圖片縮小的，圍棋是19*19個點，如果縮成10*10個點，能行嗎？

實際上AlphaGo是沒有用到池化這一步的，所以說CNN也未見得一定要使用池化，還是需要實際問題實際解決，靈活應用。

好了，到這里就介紹完了CNN，后續我會寫一篇文章介紹深度學習的另一大門派：循環神經網絡RNN，感興趣的同學記得關注哦。

本文由 @Jimmy 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。