最近在学习cs231n课程和之前自学习的内容有了理解上的偏差，现在记录有点理解在此。
对于之前知识需要了解的，请先看 本章第二部分（或者观看cs231n前五章）.
CNN权重矩阵和特征图理解
特征是什么
隐层输出作为特征，权重矩阵或者叫隐藏权重，只是一个特征提取(映射)方法，对于不同的输入是固定的，特征对应于特定输入。
什么叫特征？就是对某种事物的一种表示。一个简单的例子，一个点，在欧氏坐标里表示为(x,y)，这就是在欧氏空间的特征，在极坐标中表示为(r,θ)，这就是在极坐标中的特征。我们通过一个公式，可以将欧氏坐标映射为极坐标，这个映射参数就可以看成隐藏层参数，而映射后的值就是提取的新的特征。
（这里是作为 特征映射、空间转换的例子；CNN中 W也是作为一种映射，不同的W来提取 映射到达的某些特殊的空间结构。所以CNN是学到了一些与空间结构有关的信息用于识别。）
权重训练完就固定了，对于不同输入都一样，所以不可能是从数据中提取的特征。
权重矩阵\滤波器理解
这20幅图像分别对应20个不同的特征映射（filters, kernels）。每个特征映射由5X5的图像表示，代表局部感知域中的5X5个权重。亮的像素点代表小的权重，与之对应的图像中的像素产生的影响较小。暗的像素点代表大的权重，意味着对应的图像中的像素的影响较大。可看出这些特征映射反应了某些特殊的空间结构，因此CNN学习到了一些与空间结构有关的信息用于识别。
特征图\输出值理解
特征图：网络中学习和调节的确实是一些参数、但是参数只是一个映射；最终需要的是隐藏层输出的特征图（FeatureMap）；
输出值：CNN不断学习更新卷积核，卷积核更新了，学习到的特征也就被更新了（Map数值也就改变了）；对分类问题而言，目的就是：对图像提取特征，再以合适的特征来判断它所属的类别。类似这种概念：你有哪些个 子的特征，我就根据这些特征，把你划分到某个类别去。所以一般最后都会加一个FC层（或者GAP）进行分类输出值（化为对应的概率值）。
总结
其实不需要纠结，大家明上说的调参、学习权重，在CNN这里就很好理解了。卷积神经网络的一整套流程就是：更新卷积核参数（weights），就相当于是一直在更新所提取到的图像特征，以得到可以把图像正确分类的最合适的特征们。（一句话：更新weights以得到可以把图像正确分类的特征。）
在这里引用cs231n的PPT，说明一下几个理解重点。方便之后回忆查看。
二来是，上方理解不透彻的情况下，可以先顺一遍 本章“基础知识”；再进行 “权重矩阵和特征值\输出值理解”
基础知识
从线性分类器说起
这里直接把猫的图片拉直（作为x的输入 没有考虑局部的特征情况）。w 像是多个输入channel（这里三类 三个channel）的线性滤波器，进行了 平滑映射。
视觉角度——输出值为 分类感知的特征
代数、视觉、几何角度的理解：线性分类器y=wx的输出特征.（分类器）
最终评分矩阵W为——特征映射。
损失函数
SoftMax概率分布的交叉熵损失函数进行分类
线性SVM和Softmax损失函数对比：
优化
梯度下降法
- BGD （批量梯度下降法）
- SGD Stochastic Gradient Descent （随机梯度下降法）
- Mini-Batch GD（小批量 梯度下降法）
后向传播算法
重点掌握：反向的链式求导法则——这个在普通NN、CNN、RNN等都会用到！来进行梯度计算！
神经网络-非线性映射
起源：SVM的线性分类机，无法处理\不好处理 非线性的分类关系。人们开始研究：
-
特征转换\映射（Feature Transformation）
以上希望将特征直接转换为另一个特征映射。使用颜色数值、方向梯度直方图——使其线性可分。 -
特征提取（Feature Extraction）
1）直接用CNN进行特征提取，使用多种卷积核——提取局部的特征；并进行高维的组合映射——以期 提取更为积极的分类特征（一方面通过不断训练得来、另一方面 CNN极强的先验条件，使得CNN对于图片 特征的提取，先天就有自然地积极地效果 。）
2）另外一点，CNN加入了非线性特征（激活函数，否则 只是单纯的深层线性组合），可以解决异或问题（XOR Problem）——使得神经网络，原则（理论）上可以拟合任何函数，进行特征提取或分类。
3）反向传播链式求导法则：
从右到左：使用 上游的梯度*当前梯度=当前反向传播处的梯度值
|
