之前寫過乙個 chat《bp 神經網路入門：從原理到應用》（該文可以直接閱讀，無需付費），詳細推導了 bp 神經網路的反向傳播原理。
卷積神經網路在機器視覺領域有廣泛的應用，但是目前大家幾乎都是使用各種深度學習庫來完成卷積網路模型，目前很少有詳細推導卷積神經網路原理的資源，考慮到卷積神經網路的反向傳播的難度，以及理解其原理的必要性，我決定寫下這個教程。
本場 chat 主要內容：
理解卷積神經網路的模型結構;
理解卷積網路反向傳播的詳細過程；
使用 numpy 等基礎數**算庫實現卷積神經網路的核心部分；
使用tensorflow給出乙個簡單的例子。
閱讀全文:
卷積神經網路反向傳播推導
以tensorflow的卷積神經網路為例 卷積 池 卷積 池 全連線 softmax c1層 卷積神經網路的輸入是28 28的矩陣 a 經過f1 個5 5的卷積核k1 i i 1,2,f1 的卷積生成f1 個24 24大小的feature maps c1 i co nv2 a,k1 i,v alid...
卷積與卷積神經網路
神經網路中的卷積是指用乙個卷積核 也叫濾波器 實質上是乙個矩陣，在影象上掃瞄一遍，得到乙個新的影象。掃瞄的實質，就是矩陣大小的影象畫素值，和卷積核做運算，然後得到新的畫素值，放到新的影象中 運算不是一行乘一列的乘法，而是哈達馬積，即對應位置的元素一一相乘。最後，把哈達馬積得到的矩陣上的每乙個元素求和...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...