第2节 分类和识别—卷积神经网络
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习的代表算法之一。
CNN网络的基本结构和体验
卷积神经网络的层级结构包括
- 数据输入层/ Input layer
- 卷积计算层/ CONV layer
- ReLU激励层 / ReLU layer
- 池化层 / Pooling layer
- 全连接层 / FC layer
卷积在图像处理中的效果是，通过卷积操作，将图像中的某些特征凸显出来。
不同的卷积核会实现不同的效果池化，或者降采样，就是缩小图片，制作缩略图。
全连接层是一种特殊的卷积，它主要用于加权分类
在左上角方框中写数字来进行可视化CNN体验。
练习1：训练自定义图片分类器
Tensorflow简介
TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
分类器
图片的计算机存储
图片以像素组合的形式呈现在显示器上。每个像素由3种颜色rgb组成 在计算机上，每个像素用包含rgb三种颜色的数组存储。
特征提取/训练/学习
计算机通过神经网络的方法，通过运算图片的数组，提取不同图像的特征， 这个过程叫做训练。通常，训练的时候要使用大量同类的图片，比如不同的猫的照片，它们有相似的特征。
在线训练
练习2：图像风格迁移
在神经网络之前，图像风格迁移的程序有一个共同的思路：分析某一种风格的图像，给那一种风格建立一个数学或者统计模型，再改变要做迁移的图像让它能更好的符合建立的模型。这样做出来效果还是不错的，但一个很大的缺点：一个程序基本只能做某一种风格或者某一个场景。因此基于传统风格迁移研究的实际应用非常有限。 而 Neural Style 程序通过输入一张代表内容的图片和一张代表风格的图片，使用深度学习网络输出一张融合了这个风格和内容的新作品。