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網際網路界，那捲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麼問題，它的結構是怎樣的？是怎麼學習的？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。
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後，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，那麼加起來就有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，對於計算機的計算能力，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是怎麼解決這個問題的呢？請接著往下看。
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。因此看是否是一隻貓，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隻貓。
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徵變量，而不是全部的特徵變量，因此參數比較少。（如果這裡看不懂沒關係，我們後面會詳細解釋）。
看到這裡你可能會疑問，我怎麼知道取哪個局部，我怎麼知道貓耳在圖片的哪個部位？不著急，後面會講到。
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隻貓的照片。
因此，如果把圖片縮小了，就相當於輸入的特徵變量變少了，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？又是怎麼運行的？我們接下來詳細討論。
CNN的架構流程圖：
第一步：卷積，即局部監測。
第二步：特徵抽樣，即縮小圖片。
然後重複第一、第二步（具體重複多少次，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，最後輸出結果。
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。這裡為了方便說明，我們就簡化，用6*6像素來表示，且取只RGB圖片一層。
然後，我們用一些過濾器跟輸入的圖片的矩陣做卷積。（如果不知道卷積怎麼運行的話，可以去問下百度）
那過濾器是什麼呢？
——過濾器就是用來檢測圖片是否有某個特徵，卷積的值越大，說明這個特徵越明顯。
說到這裡，我們回顧一下前面提到的問題：我怎麼知道取哪個局部，我怎麼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）
因此移動完之後，就相當於一個過濾器就會檢測完整張圖片，哪裡有相似的特徵。
卷積跟神經元是什麼樣的關係呢？
上圖所示有3點需要說明：
1）每移動一下，其實就是相當於接了一個神經元。
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。
說到這裡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徵，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：
先卷積，再池化，流程圖：
用過濾器1卷積完後，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。
因此池化後，特徵變量就縮小了，因而需要確定的參數也會變少。
經過多次的卷積和池化之後，把最後池化的結果，輸入到全連接的神經網絡（層數可能不需要很深了），最後就可以輸出預測結果了。
那到這裡，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麼，怎麼理解？
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。
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等人於2012年的ImageNet比賽中提出了新型卷積神經網絡，並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），達到了最後的標籤空間。
AlexNet學習出來的特徵是什麼樣子的？
所以，它的學習過程都是：邊緣→部分→整體。
關於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》。
前面我們提到了AlphaGo有用到CNN，那具體是怎麼應用的呢，這裡簡答給大家科普下：
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有什麼關係？
我們知道CNN擅長做的事情就是檢測局部特徵，那也可以把這項技能運用到下圍棋上。
比如說上圖這種特徵，檢測盤面上有沒有這樣的特徵，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徵，因此需要用不同的過濾器去檢測。
而且，同一個特徵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？
講到這裡你會不會好奇，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，到這裡就介紹完了CNN，後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 原創發布於人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。