基本架构

一个CNN网络一般都是卷积、池化、卷积、池化，…，全连接的模式。

卷积

从上图可以看出，一个 $6 \times 6$ 的原图与一个 $3 \times 3$ 的核（图中深红色部分）进行卷积，得到一个 $4 \times 4$ 的特征图。（此时，stride=1，padding= 0）

这里介绍几个概念

O u t p u t S i z e = \frac{P i c t u r e S i z e - K e r n e l S i z e}{S t r i d e} + 1

padding，即外围补0用以扩展图片。此时，
$O u t p u t S i z e = \frac{P i c t u r e S i z e + 2 \times P a d d i n g - K e r n e l S i z e}{S t r i d e} + 1$

updating…

updating…

1.卷积，卷积是将原始图像与一个设计好的矩阵（一般称为滤波器）按位相乘，这样就会得到一个新的矩阵。举个例子，假设我们要识别老鼠的尾巴，我们可以设计如下图类似的滤波器。
深度学习：卷积神经网络（CNN）基本概念

接来下，开始进行卷积——原图与滤波器按位相乘。当识别到老鼠尾巴时，会得到一个很大的卷积值。
深度学习：卷积神经网络（CNN）基本概念
反之，当识别到的不是老鼠尾巴部位时，卷积结果将会很小，甚至为0。

2.**函数，**函数也通常被称作核函数，可以将非线性可分类型映射为线性可分。例如，下图中就可以使用abs（绝对值函数）作为**函数，将蓝色与红色点线性分开。不过，分类问题一般使用softmax作为**函数。
深度学习：卷积神经网络（CNN）基本概念

3.局部参数共享，全连接是一种代价极高的操作，卷积神经网络中使用了局部参数共享以及池化技术来改善这一过程。局部参数共享，从下图中可以看出，随着层数越深，g3受到x1~x5的影响。

深度学习：卷积神经网络（CNN）基本概念

4.池化，另一个重要技术为池化，它可以在一定程度上识别不同程度漂移的图片。比如，一张人脸在正中间的图片，和人脸位于图像左侧（或右侧）的图片，对于卷积神经网络来说是几乎无区别的。
深度学习：卷积神经网络（CNN）基本概念

References:
[1] Ian, Goodfellow, Yoshua, Bengio. 深度学习[M]. 北京:人民邮电出版社, 2017.
[2] 能否对卷积神经网络工作原理做一个直观的解释？