共计 599 个字符，预计需要花费 2 分钟才能阅读完成。
咱们常常据说，图像识别或图像生成须要用到神经网络。
也常常据说，神经网络就是将大数据分类的一个技术，利用原始数据进行模型训练，直至生成牢靠的分类器。
而这模型的基础架构就是利用，对根底输出，进行卷积计算，与“线性”权重组合而成的神经网络。
尔后，利用对测试集的类似度比照，即间隔，失去一个是非集。
可是，卷积到底卷得啥？这是个仁者见仁，智者见智的问题。
对于深度学习中图像处理相干的课题，目前支流科研及利用技术，大多卷积其实是卷的图像原始数据，比如说，一张 10*10 的黑白图像，输出即长度为 100，值为 0 或 1 的数据。
咱们能够用笨办法来，对每个值进行一个权重。也就失去了一个长度为 100 的权重 w 数组。
而后将通过卷积计算模型的 output，通常为一个实数，与数据库中的已有图像进行比照，算出一个间隔 d，当 d 满足阈值时，就能够出后果了。
这时候你会蛊惑，在一直通过模型的过程中，我要如何调整权重，以达到逐步逼进的成果呢？这要利用梯度函数，找到极值，来判断应该降落还是回升权重。这时候咱们无妨定义谬误后果和正确后果之间的差距是一个损失函数，通过对权重们求导判断以后后果在通常为二次函数的曲线上是在哪个地位，因为要最小化 loss，所以须要往极值处致力。
这只是个形象的思路，我看过的书目中讲述得也不是很具体。所以算法很可能彻底弄反了。但我认为这才是其中的精粹的局部。具体实现原理我会在前期比照书目去写，就不在这空谈误国了。