CNN訓(xùn)練過程：

1）向前傳播階段：

a）從樣本集中取一個樣本（X，Yp），將X輸入網(wǎng)絡(luò)；

b）計算相應(yīng)的實際輸出Op。

在本階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層。這個過程也是網(wǎng)絡(luò)在完成訓(xùn)練后正常運行時執(zhí)行的過程。在此過程中，網(wǎng)絡(luò)執(zhí)行的是計算，實際上就是輸入與每層的權(quán)值矩陣相點乘，得到最后的輸出結(jié)果：

Op＝Fn（…（F2（F1（XpW（1））W（2））…）W（n））

2）向后傳播階段：

a）計算實際輸出Op與相應(yīng)的理想輸出Yp的差；

b）按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣。

CNN優(yōu)點：

1）  輸入圖像和網(wǎng)絡(luò)的拓撲結(jié)構(gòu)能很好的吻合；

2）  盡管使用較少參數(shù)，仍然有出色性能；

3）  避免了顯式的特征抽取，而隱式地從訓(xùn)練數(shù)據(jù)中進行學(xué)習(xí)；

4）  特征提取和模式分類同時進行，并同時在訓(xùn)練中產(chǎn)生，網(wǎng)絡(luò)可以并行學(xué)習(xí)；

5）  權(quán)值共享減少網(wǎng)絡(luò)的訓(xùn)練參數(shù)，降低了網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，適用性更強；

6）  無需手動選取特征，訓(xùn)練好權(quán)重，即得特征，分類效果好；

7）  可以直接輸入網(wǎng)絡(luò)，避免了特征提取和分類過程中數(shù)據(jù)重建的復(fù)雜度。

CNN缺點：

1）  需要調(diào)整參數(shù)；

2）  需要大樣本量，訓(xùn)練最好要GPU；

3）  物理含義不明確，神經(jīng)網(wǎng)絡(luò)本身就是一種難以解釋的 “黑箱模型”。

CNN常用框架：

1） Caffe：源于Berkeley的主流CV工具包，支持C＋＋，python，matlab； Model Zoo中有大量預(yù)訓(xùn)練好的模型供使用；

2） Torch： Facebook用的卷積神經(jīng)網(wǎng)絡(luò)工具包，通過時域卷積的本地接口，使用非常直觀； 定義新網(wǎng)絡(luò)層簡單；

3） TensorFlow：Google的深度學(xué)習(xí)框架；TensorBoard可視化很方便；數(shù)據(jù)和模型并行化好，速度快。

CNN應(yīng)用場景：

應(yīng)用場景包括機器學(xué)習(xí)、語音識別、文檔分析、語言檢測和圖像識別等領(lǐng)域。

特別強調(diào)的是：CNN在圖像處理和圖像識別領(lǐng)域取得了很大的成功，在國際標準的ImageNet數(shù)據(jù)集上，許多成功的模型都是基于CNN的。CNN相較于傳統(tǒng)的圖像處理算法的好處之一在于：避免了對圖像復(fù)雜的前期預(yù)處理過程，可以直接輸入原始圖像。

結(jié)語：

卷積神經(jīng)網(wǎng)絡(luò)CNN是近年發(fā)展起來，并引起廣泛重視的一種高效識別方法。卷積神經(jīng)網(wǎng)絡(luò)以其局部權(quán)值共享的特殊結(jié)構(gòu)在模式識別方面有著獨特的優(yōu)越性，其布局更接近于實際的生物神經(jīng)網(wǎng)絡(luò)，權(quán)值共享降低了網(wǎng)絡(luò)的復(fù)雜性，特別是多維輸入向量的圖像可以直接輸入網(wǎng)絡(luò)這一特點避免了特征提取和分類過程中數(shù)據(jù)重建的復(fù)雜度。CNN算法在人工智能之機器學(xué)習(xí)、語音識別、文檔分析、語言檢測和圖像識別等領(lǐng)域等領(lǐng)域有著廣泛應(yīng)用。