最近可能会用到CNN，今天回顾一下，并找到了一些大神的精华帖，顺便做个总结。
CNN是时下非常火的一种深度学习算法，它是一种前馈神经网络，即神经元只与前后层有联系，在同一层的神经元无联系。笔者用下面这张图用来说明卷积神经网络的工作原理
这是一个识别字母的CNN结构图，最左边是32*32像素的输入，然后经过了6个隐含层，最终得到输出，输出有10个类别，分别是要识别的10个字母的标记。假设我们已经训练好CNN，那么从输入到C1层有6个特征映射，也就是分别用6个训练好的卷积核分别对32*32的输入做了4个特征抽取（或者称为4次扫描），扫描的过程是这样的：将卷积核左上角与输入图片左上角重叠，然后向右或向下依次移动striding个单位（这里以strding=1为例来说明），这样可以得到28*28的输出，下面这张图表示了卷积计算的过程：
卷积核与输入像素对应位置的值相乘，然后求和就得到了一次卷积计算的输出。实际得到的特征输出还需要在此基础上加一个偏置（bias），然后以此作为sigmoid函数的参数，计算得到的sigmoid函数的输出才是对应特征输出的结果，这样做目测是为了方便后续的训练，因为训练过程需要各种求导。。
我们做卷积运算也只是对输入图片做了一次模糊处理（可以叫特征抽象），这一步操作可以取到一些边缘特征。这样做在得到6组28*28的特征输出之后，还需要对卷积计算后的28*28的特征做一次池化（pooling），得到了S2层，这样做的目的是可以保证旋转不变形，（比如克服猫耳朵旋转或者因为拍摄角度不同而造成的影响）。池化有很多种方法，比如可以选择Max-Pooling（范围内最大值）或者L2-Pooling(范围内每个值的平方和的平方根)，这里得到S2层选择的是一个2*2的邻域做池化。
第一次池化完成后可以跟着连续n个卷积-池化的操作，从最后的隐含层到输出层的时候是一个类似于BP神经网络的全连接（每个隐含层的神经元与输出神经元的全连接）。
在卷积-池化的过程中，可以想象某一次的卷积操作完全覆盖了字母A的特征，那么下一步的池化可以保证字母A一动一下位置也能识别，这样保证了平移不变性（个人理解）>
CNN的训练和BP神经网络一样也是反向传播，关于反向传播，可以参考上一篇BP神经网络，这里不再赘述。
总之，CNN的过程特征抽象与特征泛化的交替进行，有了池化，才不至于过拟合!