以Image Classification为例

第一个解释角度：

先将不同尺寸的image，rescale成大小一样的尺寸，再丢到model中。
下图中，我们希望Cross entropy 越小越好

在计算机视角下的图片：
3 channels 对应R G B三个通道
随着模型参数的增多，全连接层网络的弹性越大，overfitting的风险越大

那么怎么避免在做图像识别参数过多的问题？
我们没有必要考虑每一个neuron跟input的每一个dimension都有一个weight。

Observation 1：

我们并不需要观察整张图就可以辨别出图片中是一只鸟。所以我们可以使用整张图片的一小部分当成输入，就足以识别出某些特别的Pattern。
因此可以做第一个简化：
每一个neuron只考虑自己的receptive field



一个receptive field 可以有多个neuron

可以，receptive field都是可以自己设计的，但是要想想看自己为什么要这样做。

经典的做法：

（1）all channels;
（2）kernel size 一般设3*3;
（3）一个receptive field对应一组neuron（例如 64 neurons）
（4）stride往往1或2；
我们往往希望Receptive field 之间有高度的重叠，因为如果两个receptive field没有重叠，而pattern出现在两个receptive field交界处，从而没有neuron去侦测他，这样就会miss掉这个pattern
（5）padding；

Observation 2:

图片中有same patterns，所以没必要在每一个pattern设置neuron，可以共享参数。

经典的做法：

（1）每一个receptive field有一组参数；
（2）每一个receptive field共享参数；

相比全连接层，cnn的model bias很大，但由于cnn是特别为图像设计的，所以他依然能在影像上做到很好，但影响之外的任务就不一定了。

第二个解释角度：

Another story based on filter

每一个filter去图片里抓取pattern

例子：
（1）假设channel=1；
（2）假设filter中的参数已知（实际上filter中的参数是需要训练出来的）；

对每一个filter做同样的操作

将feature map可以看做一张新的图片，有64个channel，注意第二层filter的大小高度为64

如果我们的filter一直设33会不会让我们的network无法看比较大范围的pattern呢？
不会

左上角的这个数值，在影像上对应的是33的范围，下面33的范围，对应影像上55的范围。从而，也就是说叠的深度越深，所覆盖的范围越大。

Comparison of Two Stories

Observation 3:

把奇数的column、偶数的row都拿掉，图片变为原来的1/4，但是不会影响里面是什么东西。


Max Pooling：选filter最大的一个


pooling最主要的作用是把图片变小，减少运算量，所以如果计算资源足够的话可无pooling。

CNN应用：

此例子不需要Pooling

虽然可以使用FCN，但是CNN效果更好

48 channels：每一个位置有48个状态。




CNN并不能处理影像放大缩小或旋转问题。