Reference：

• 一文入门卷积神经网络：CNN通俗解析
• 卷积神经网络（CNN）详解
• 深度学习系列6：卷积神经网络的反向传播
• 反向传播之六：CNN 卷积层反向传播
• 卷积神经网络(CNN)反向传播算法推导
• Convolutional Neural Networks backpropagation: from intuition to derivation

【概述】

如下图所示，卷积神经网络由若干个卷积层和池化层进行局部特征识别和降维，之后再利用生成的特征图用全连接层去处理

Reference：

• 一文入门卷积神经网络：CNN通俗解析
• 卷积神经网络（CNN）详解
• 【综述】神经网络中不同类型的卷积层
• 感受野(Receptive Field)的理解与计算
• 【技术观点】CNN卷积层与激活函数
• 卷积神经网络CNN、感受野、边缘检测、卷积层(零填充padding、步长、多通道卷积、多卷积核)、池化层Pooling、全连接层

【网络结构】

卷积神经网络由一个或多个卷积层、池化层以及全连接层等组成，其也可以使用反向传播算法进行训练，其架构如下

Reference：

• CNN基础知识——卷积（Convolution）、填充（Padding）、步长(Stride)
• 一文看懂卷积运算（convolution）与互相关运算（cross-correlation）的区别
• 卷积核（kernels）与滤波器（filters）的关系
• 卷积神经网络CNN、感受野、边缘检测、卷积层(零填充padding、步长、多通道卷积、多卷积核)、池化层Pooling、全连接层

【卷积核】

卷积核（Convolutional Kernel）是一个大小为 $n\times n$ 的矩阵，用于检测图像中特定的特征，在某一个卷积核对图像进行卷积运算（Convolution）时，就是将卷积核分别与图像的同大小区域进行点乘求和，依次从左到右从上到下滑过图像的所有区域，最终得到特征图（Feature Map）

【引入】

假设下图是一张大小为 $28\times28$ 的黑白图片（单通道），将每一个像素点视为一个特征值，那么该图有 $28\times28=784$ 个特征值

【概述】

在神经网络中，对于图片数据集中的数据，不仅要求数据相关，而且要求有尽可能大的数据量，但要想得到大量的数据，不仅要收集各种情景下、各种角度、各个位置的照片，还要确保数据的多样性，只有这样才能确保神经网络学到的特征更加全面

在现实中，若想达到以上的目的要付出巨大的代价，并且还要对照片上出现的东西进行准确标注，另外对于一些稀有的物种信息收集更是十分困难

References：

• 【深度学习理论】一文搞透Dropout、L1L2正则化/权重衰减
• 深度学习之11——正则化
• Improving neural networks by preventing co-adaptation of feature detectors
• 神经网络中的随机失活方法
• 深度学习技巧之Early Stopping（早停法）
• Data Augmentation—数据增强解决你有限的数据集
• 数据增强(Data Augmentation)

【概述】

在 机器学习的模型评估 中，介绍了偏差、方差、噪声、偏差-方差分解以及偏差-方差窘境

【指数加权平均】

指数加权平均（Exponentially Weight Average）是一种常用的序列数据处理方式，通常用于序列分析，例如金融序列分析、温度变化序列分析等

其过程如下：

【局部最优问题】

在求解最优化问题时，凸优化问题有全局最优解与局部最优解的区别

全局最优是指求一个问题在全值域范围内最优，局部最优是指一个问题的解在一定范围或区域内最优，或者说解决问题或达成目标的手段在一定范围或限制内最优

【概述】

由于在训练神经网络期间前一层的参数发生了变化，这导致了每层输入的分布不同，难以通过较低的学习率和参数初始化来减慢训练速度，同时要训练的具有饱和非线性模型也十分困难，这种现象被称为内部协变量偏移（Internal Covariate Shift）

论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中提出了批量归一化（Batch Normalization，BN）这种数据归一化方法来解决该问题

【梯度爆炸与梯度消失】

目前优化神经网络的方法基本都是基于反向传播的思想，即根据损失函数计算的误差通过反向传播的方式，逆向对网络权值进行更新

梯度消失和梯度爆炸是最常见的两个问题，它们会影响模型的收敛速度和性能