我正在学习Convolutional Neural Network，现在我对如何实现它感到困惑。
我了解常规神经网络和Gradient Descent和Back Propagation等概念，我可以理解CNN是如何直观地运作的。
我的问题是关于CNN的反向传播。怎么回事？最后完全连接的层是常规神经网络，没有问题。但我如何更新卷积层中的滤镜？我怎样才能将完全连接层的错误传播到这些过滤器？我的问题是更新过滤器！
过滤器只是简单的矩阵？或者他们有像常规NN的结构，层之间的连接模拟这种能力？我读到了Sparse Connectivity和Shared Weights但我无法将它们与CNN联系起来。我真的很困惑实施CNN，我找不到任何谈论这些概念的教程。我不能读论文，因为我是这些东西的新手，我的数学并不好。
我不想使用TensorFlow或类似这样的工具，我正在学习主要概念并使用纯Python。
答案 0 :(得分：0)
首先，我可以向CNN推荐this。也许你可以用这个来更好地理解它。
简要回答一些问题：
我们假设您想使用CNN进行图像分类。图片由NxM像素组成，有3个通道（RBG）。要在其上应用卷积图层，请使用过滤器。滤波器是（通常但不一定）二次形状（例如PxP）的矩阵，以及与其所应用的表示的信道数相等的多个信道。因此，第一个Conv层滤波器也有3个通道。通道是过滤器的层数，可以这么说。
将过滤器应用于图片时，您会执行称为离散卷积的操作。您将过滤器（通常小于图像）并逐步将其滑过图片，然后计算卷积。这基本上是矩阵乘法。然后在其上应用激活功能，甚至可以应用池化层。需要注意的重要一点是，此层上所有已执行卷积的滤波器保持不变，因此每层只有P * P参数。您以某种方式调整过滤器，以便尽可能地适合训练数据。这就是为什么它的参数被称为共享权重。应用GD时，您只需将其应用于所述滤镜权重即可。
另外，你可以找到一个很好的演绎here。
实现这些东西当然是可能的，但是对于初学者来说，你可以尝试使用tensorflow进行实验。至少这是我学习新概念的方式：）