【CNN】Youtube上迄今为止最好的卷积神经网络入门教程

1. 特征（Feature）由很多小块images组成（1 ，-1）
2. filtering （提取）： 匹配的过程

image pixel 像素相乘 后相加 / 碎片数量

convolution后得到了一个map

不停用不同的feature repeat 得到不同的map

这就是 卷积层： 图片变成了一堆 filtered images

layer（相同的操作）

3. 池化层（pooling）shrinking the image stake

1. 在卷积image中一个2*2的window，依次记录最大值。这样我们得到个小的image

3.归一 化

relu layer: 全变正

if input h < 0 :

return 0

else:

return h

多做几个叠加 -- output 变小惹

4.finally 最后一组数据

全连接层

> 1 belong o

< 1 belong x

base on weight -- 0.92 ---> x

全过程如下：

 (1) 卷积层 ：其主要目的是从图像和一组可训练滤波器中提取特征。它们的应用允许突出显示某些特征并在输出图像中占据主导地位，（2） 池化 ：它用于减小图像的尺寸，从而损失尽可能少的信息。它可以保留图像一部分的最高或平均像素值，（3） 整流线性单元（ReLU） ：整流器紧接在每个卷积层之后使用，作为将负值替换为零的操作，并允许非要添加到模型中的线性度和 (4) 全连接（密集）层 ：它根据卷积和池化过程提取的特征进行分类。在这些层中，其所有节点都连接到前一层。

关于反向传播：

找到最小error，梯度下降法

总结：

需要调整的关于三个层的参数---关乎结果

apply in sound： 频谱图--2d image (input)

text:

这种就不能用cnn，因为convolute 后会丢很多信息