卷积神经网络在图像识别领域无限风光，通过一张图片，算法可以知道图片上的物体是什么，着实令人震惊，但是很多人和我一样，对于其背后的原理，都非常好奇，卷积神经网络是如何进行图像识别的呢？
如果你的英文主够好的话，可以阅读这篇论文：
Visualizing and Understanding Convolutional Networks
猫应该长成什么样子
看过女神李飞飞的ImageNet演讲的人，都对于下面两张图片印象深刻。
原文请阅读：
ImageNet缔造者：让冰冷的机器读懂照片背后的故事
（从薛定谔开始，猫就一直被各种科学家拿出来说事情，当然汪星人也时不时出镜）
人类是如何识别猫咪的？借用知乎的一个回答：
现在假设要做一个图像的分类问题，比如辨别一个图像里是否有一只猫，我们可以先判断是否有猫的头，猫的尾巴，猫的身子等等，如果这些特征都具备，那么我就判定这应该是一只猫。当然，如果图像是下面这样一只老实本分的猫咪，则一切都好办了。
但是喵星人不但品种不同，颜色繁多，各种销魂的动作也层出不穷，所以，机器识别猫还是很困难的。
这样，我们必须要让机器知道，猫，到底应该长成什么样子。
想象中的图形识别原理
第一次考虑怎么处理这个问题，一个很自然的想法浮想在脑海里面：
将所有猫咪的图片放在一起，提取出猫咪的共同特征，做成一个识别猫的模型。然后对于每张图片，使用模型，看一下是猫的概率为多少。但是如果真的这样做的话，可能每种物体都必须要有一个专门的模型了，这样可能是不行的，计算量可能也是一个问题。特别对于扭曲的猫，这样子的例子非常难处理，我们不太可能穷举出所有猫的正常和非正常形态。（毛色，眼神，是否有物体和猫进行交互）
当然，可以考虑，将猫进行分解，就如知乎网友所说，猫头，猫尾巴，猫爪子，独立进行识别。这样不管猫怎么扭曲，都无所谓了。当然，如果你是资深猫奴，你可以很高兴的说出猫的组成特征，但是，这样本质上还是加入了太多的领域专家的干涉。如果要识别大型粒子加速器，这个是不是要请物理学家参与呢？所以，机器应该完全屏蔽领域知识才可以做到泛用。
CNN学到了什么？
特征（Representation）。把原始图像看做一个维度是像素×通道的向量，经过各种复杂的CNN结构，其实只不过成了另一个向量。这个向量所在的空间也许有更好的线性可分性，也许是相似样本的“距离”更近，原始的数据经过变换到了这里之后，就是特征。
图像处理矩阵
虽然不是科班出身，但是以前或多或少看过一些图像处理的书籍。
一般的图像处理都是通过矩阵操作完成的。
- 位置和形状 ： 例如图像的拉伸，缩放，旋转（当然可以是各种效果的组合）。
- 颜色： 灰度调整，透明度，滤镜
具体的颜色矩阵文章：
C++图像处理 -- 颜色矩阵变换
其实我认为卷积核这个概念，应该是从图像处理矩阵这个概念来的。通过不同的图像处理矩阵，可以突出图像的某些特征，屏蔽掉某些细节。
处理后的图片，屏蔽了颜色，突出了轮廓特征。（猫的轮廓特征保留下来了，颜色特征暂时消失了）
不同卷积核得到的不同的feature map
当然，实际处理的时候，可能使用的卷积核可能更加复杂。不过，如果真的看一下卷积核的工作方式，一般来说，卷积用来进行特征的提取，而不是进行图像的预处理的（或者说，是将图像针对特征进行压缩的一个过程）。
主流图像识别
上面所说的都大半是猜测，无论如何也应该看一下真实的算法到底是怎么样的。图像识别上最有名气的算法大概就是Inception模型。整个算法的架构大概是这样的，深度也是叹为观止。（当前ResNet神经网络已经152层了，计算量相当相当相当可怕）
原始图像经过了深深的流水线之后，最后在Softmax层进行分类。这个过程中到底发生了什么事情，图像在Softmax层变成了什么，这个可能是所有人都关心的问题。本文也想通过长期的研究，能或多或少搞清楚里面的奥秘。这个过程应该是极其艰苦的，非常困难的。但是对于机器学习的思考却非常有帮助。
