CNN卷积概念理解

实质理解：

训练过程：

CNN在做卷积的时候，每一层的输出（可理解为形成的高维特征向量）是通过卷积的前向传播算法和反向传播算法（也就是梯度下降算法），结合真实的标签（前向传播结果与真实标签做误差），

将前向传播的结果无限逼近具有真实标签，在此过程中不断的更新权重，形成具有真实标签类别信息的权重矩阵。

预测过程：

利用训练高的权重矩阵去计算预测的输入数据，并产生一个结果，这个结果就是预测数据的类别或预测值。

理解：

从上述过程中可以得到以下结论：

预测过程----->就是为了得到适合该类数据的权重矩阵

预测过程----->利用得到的权重矩阵去计算预测结果

进一步说明：求解权重矩阵的过程与具体用什么神经网络模型结构没什么关系，任何的神经网络模型都可以用来求解这个权重矩阵，关键的问题在于，有些网络的参数过多，不好训练，或者根本训练不了，不收敛或者过拟合，导致最终的精度不够。

所以模型的选择在于易训练的网络模型结构即可；理论上说网络越深，效果越好。但是容易过拟合。

所以可以根据数据的特点来选择模型结构、CNN或RNN，卷积核心是正方形或者其他形状的。如图像数据，用CNN训练，模型可用LeNet,VGG,ResNet,GoogleNet等，文本数据可用CNN，RNN，LSTM等。上述模型各有特点，主要还是在卷积核心

和训练参数数目上的优化。还有更多的模型，可自行查阅。