卷积神经网络 2 Why CNN
为什么处理图片要用CNN？
原因是：
- 一个神经元无法看到整张图片
- 能够联系到小的区域，并且参数更少
- 图片压缩像素不改变图片内容
1. CNN 的特点
- 卷积： 一些卷积核远远小于图片大小； 同样的pattern 已在图片的不同区域出现
- 抽样：抽样压缩，不影响图片的含义
2. CNN 为什么适用于图片处理？
一般来讲，单层神经网络可以表示任何函数（数学已经证明），那么我们为什么不用全连接神经网络，而用复杂的，人为设计的CNN取处理图片呢？秘密在于，CNN能够大量减少参数，提高效率。
（1）模型比较
（2）减参秘密
我们拿6*6大小的图片为例，filter是3*3，filter中每个参数是一个参数，用不同的颜色表示，就会生成activemap，粉色表示的图层
以activemap 中第一个数值3为例，在全连接网络中（完全展开CNN），至少需要16个参数，但是只需要9个输入。
3. CNN in Keras
（1）图片输入Input需要reshape到3D 的tensor
（2）继续添加maxpooling 和convolution层
（3）展开用全连接层，softmax输出分类结果
本专栏图片、公式很多来自台湾大学李弘毅老师、斯坦福大学cs229，斯坦福大学cs231n 、斯坦福大学cs224n课程。在这里，感谢这些经典课程，向他们致敬！