原文地址
原文的原文出自知乎。
轉載來主要是做一個筆記，便於每次查看。
通過一個圖像分類問題介紹卷積神經網絡是如何工作的。下面是卷積神經網絡判斷一個圖片是否包含“兒童”的過程，包括四個步驟：
● 圖像輸入（InputImage）
● 卷積（Convolution）
● 最大池化（MaxPooling）
● 全連接神經網絡（Fully-ConnectedNeural Network）計算。
首先將圖片分割成如下圖的重疊的獨立小塊；下圖中，這張照片被分割成了77張大小相同的小圖片。
接下來將每一個獨立小塊輸入小的神經網絡；這個小的神經網絡已經被訓練用來判斷一個圖片是否屬於“兒童”類別，它輸出的是一個特徵數組。
標準的數碼相機有紅、綠、藍三個通道（Channels），每一種顏色的像素值在0-255之間，構成三個堆疊的二維矩陣；灰度圖像則只有一個通道，可以用一個二維矩陣來表示。
將所有的獨立小塊輸入小的神經網絡後，再將每一個輸出的特徵數組按照第一步時77個獨立小塊的相對位置做排布，得到一個新數組。
第二步中，這個小的神經網絡對這77張大小相同的小圖片都進行同樣的計算，也稱權重共享（SharedWeights）。這樣做是因爲，第一，對圖像等數組數據來說，局部數組的值經常是高度相關的，可以形成容易被探測到的獨特的局部特徵；第二，圖像和其它信號的局部統計特徵與其位置是不太相關的，如果特徵圖能在圖片的一個部分出現，也能出現在任何地方。所以不同位置的單元共享同樣的權重，並在數組的不同部分探測相同的模式。數學上，這種由一個特徵圖執行的過濾操作是一個離散的卷積，卷積神經網絡由此得名。
卷積步驟完成後，再使用MaxPooling算法來縮減像素採樣數組，按照2×2來分割特徵矩陣，分出的每一個網格中只保留最大值數組，丟棄其它數組，得到最大池化數組（Max-PooledArray）。
接下來將最大池化數組作爲另一個神經網絡的輸入，這個全連接神經網絡會最終計算出此圖是否符合預期的判斷。
在實際應用時，卷積、最大池化和全連接神經網絡計算，這幾步中的每一步都可以多次重複進行，總思路是將大圖片不斷壓縮，直到輸出單一的值。使用更多卷積步驟，神經網絡就可以處理和學習更多的特徵。
