外观
CNN与卷积的原理
卷积神经网络
为了能识别手写邮政编码的自动识别系统，通过训练神经网络让机器自动提取手写数字的特征，完成识别任务，这一思路也成了计算机视觉领域的基础。
识别手写数字的原理是训练神经网络来提取图片的边缘、纹理和形状特征
这个思路成为了计算机视觉领域的基础，其中占领导地位的是CNN。他的核心是卷积(用一个小窗口在图片上滑，计算一个新值)。
CNN
CNN（Convolutional Neural Network）卷积神经网络。原理是卷积操作， 核心构建模块是卷积算子。
衍生构建出了经典的CNN模型：LeNet、AlexNet、VGG、ResNet、MobileNet
yolo也是基于CNN构建的，CNN负责提取图像特征，YOLO在此基础上完成目标的定位与分类。
卷积
卷积是CNN的核心！ 核心逻辑是：用卷积核（小窗口）在图像上从左到右、从上到下滑动，对窗口覆盖的像素进行特定计算，输出新的特征图。 不同的计算方式和卷积核，会产生不同的图像处理效果：
- 基础卷积：取平均值(对卷积核覆盖的像素取平均值，会产生图像模糊效果,画笔大小=卷积核)
- 我们了解的腐蚀 膨胀 轮廓都是由固定切不同的卷积核而来！(腐蚀取最小值、膨胀取最大值）
在rgb图中图片是三通道的 可以看作是同一个卷积核在对三个颜色通道分别做卷积，然后合并起来输出。 思路衍生：可以使用很多不同的卷积核对图片的特征进行提取
神经网络
深度学习就是在卷积这一思路上进行拓展的。深度学习中的神经网络，核心是由多个卷积层、池化层、激活层、全连接层等构成，其中卷积层(一组卷积核)是特征提取的核心，不同的层的卷积核不一样，输出的特征也不一样。 深度学习中不止有卷积层还有池化层、激活层、连接层等。随着层数的增加，分析的维度也不断增多。
- 卷积层：卷积核的数量决定该层输出通道数 - 一个卷积核对于一个输出通道，提取一种特征
- 多层卷积：不同的卷积层功能不同，浅层提取边缘线条等基础特征。深层提取形状轮廓等高级特征。层数增加维度就不断丰富，从局部到全局构建出图像完整特征
- 其他层
- 池化层负责降维，减少计算量保留核心特征；最大池化(保留一个窗口中最大像素的点)
- 激活层引入非线性，能够拟合更复杂的特征
- 全连接层将提取的特征汇总，完成最终的分类和识别
由此构成了神经网络，从海量的层中提取到高级的特征，不断学习 直到给出答案。 
模型学习、训练
神经网络的学习就是不断的调整卷积核(开始是随机生成的)，让他匹配训练的结果，计算误差(损失loss) ，直到输出准确。通过梯度下降，不断微调卷积核里的数值(沿着让误差变小的方向，一点点修改权重)。
通俗的说来就是训练的过程就是在不断修改卷积核，训练的完成就是找一组最优的卷积核了，然后把这组卷积核当成参数写死到模型中！！