參考網站1參考網站2參考網站3參考網站４

今天先來學習卷積神經網絡(Convolutional Neural Network,CNN)的樣貌

如上面視頻來學習究竟機器是如何分辨Ｘ與Ｏ的，我們用Ｘ來學習整個CNN的過程。

有時圖型會偏折或旋轉如果直接比對肯定是無法的，這時候CNN就派上用場了

特徵 feature

CNN會比較局部特徵

假設白色是１ 黑色是-1 剛剛選出來的局部特徵就形成一個特殊矩陣 (其實有點像鄰域處理的mask)

之後這個mask 開始掃全部的範圍

可以算出最大值的位置也是最符合特徵的位置 (-1 <總值/總像素< 1 , 這個值會介於-１與１之間)

將不同的局部特徵對整張圖掃完以後：譬如 眼睛 嘴巴 鼻子 眉毛 就有這些特徵新的矩陣

池化 pooling

另一個很重要能減少運算資源的動作叫做池化(pooling)，簡單說選取鄰域的最大值。將畫素降為原本1/4，大大降低運算資源。

因為選取最大值還是保留了原本特徵符合的位置。

Rectified Linear Unit,ReLu

ReLu這有點像是激活函數，主要是把負數變為0

所以深度學習流程如下 一層一層從大張到小張的feature 譬如人臉辨識

全連結層 fully connected layers

這裡有點像是softmax依樣，不過這是經過全連接層投票的方式來表決

下圖就是整個CNN從開始到最後要來算出就究竟是Ｘ或Ｏ的流程

今天就學到這，明天使用CNN來練習MNIST~