概要

在图像处理领域，CNN(卷积神经网络)处于绝对统治地位，但对于CNN具体是如何用神经网络实现的，能找到的介绍要么是一大堆数学公式，要么是大段晦涩的文字说明，读起来很是辛苦，想写好一片完整的而且有深度的文章出来非常难，所以本文适合入门的朋友对CNN的学习和了解。

CNN主要思路快速回顾

为了便于大家理解，这里简单回顾一下CNN的主要思路：对于一张M * N像素的图，我们用一个大小为 S * S(如3 * 3)的特征提取器，扫描整个图片，强化图片的重要特征，忽略不重要的细节，得到一个强化了特征的新图：

不断递归上述过程，就可以逐渐从细节特征(如线条、纹理)中提取出高级特征(如器官、物种)，最终完成各种图像处理任务。

图解CNN的神经网络实现过程

假设我们有一张3 * 3的图，图中每个像素用一个字母表示：

我们的特征提取器为一个2 * 2的矩阵，矩阵每个元素是一个希腊字母：

用特征提取器处理后的图片为：

其详细工作过程如下：

上述工作过程可以表达为以下等式：

注意上述等式中的bias参数b在4个等式中都是一样的，可以把b理解为特征提取器的一部分，就像权重参数(α, β, γ, δ)是特征提取器的一部分一样。

上述等式更紧凑的写法为：

上述写法可以直接表示为一个神经网络(连接线对应权重α, β, γ, δ)：

神经元的激活过程就是权重矩阵和输入矩阵的乘积：

这里有两个要注意的点：

权重矩阵的每一行，代表了在图片上对特征过滤器的一次应用，其中的0表示这次应用不会覆盖的像素。

假设我们把取值为0的权重也补充到上面的神经网络图中(用灰色的线表示0权重)，就可以得到一个经典的、全连接的神经网络图：

去掉颜色和字母，就和熟悉的神经网络示意图一模一样了：

上面，我们用一个2 * 2的特征提取器把一个3 * 3的图变成了一个2 * 2的图，通过zero-padding和一个3 * 3的特征提取器，我们就可以保持图片大小不变：

其工作过程如下：

而如果不应用zero-padding，则我们只能得到一个1 * 1的结果图：

以上就是CNN落地实现为神经网络的过程，欢迎大家阅读，感谢🙏。