上一篇文章的末尾，给出了一段比较复杂的程序（看不懂也没关系），其实是使用了比较常见的卷积神经网络（Convolutional Neural Network,CNN）。这篇文章中，我们用一些直观的方式来演示一下卷积神经网络的基本原理。
如果学习过数学和信号处理的相关课程，应该对卷积的原理并不陌生。卷积用在图像处理的效果比较直观，通俗来讲，就是对图像进行滤波、然后进行特征提取。
卷积运算
上面3*3的滑动窗称为一个卷积核，每个卷积核的用于提取图像中的某个特征。
每个卷积核的一次滑动都做了如下的计算：
单个卷积运算原理
单个卷积运算公式
多层卷积运算示意图：
卷积神经网络示意图
每一层卷积运算的输出，作为后一层卷积运算的输入，越靠前层的卷积核，提取的特征越细节。因为对于第一层卷积核看到的图像特征就是一堆像素点，通过第一层卷积核之后，输出的是一些边线等特征，再经过一层卷积核，输出了边线组成的一些基本轮廓，依次类推，直到识别出这个图像的类型。如下面的例子。
人脸识别的例子：
人脸识别
当然，机器学习使用的卷积神经网络，不仅仅只有卷积，还有池化、激励等辅助操作，这里不再展开。另，机器学习除了卷积神经网络之外，还有很多种神经网络(比如循环神经网络(RNN)等上百种)，各有各的优缺点，根据不同的场景选择使用即可。
这篇文章先到这里，下一篇文章，看看非图像类的信息，如何使用卷积神经网络做识别。
参考链接：卷积神经网络工作原理直观的解释
