对人类来说，描述我们眼睛所看到的事物，即“视觉世界”是一件微不足道的事情，然而对计算机来说，识别人类的“对象”却是相当困难的。
能解决这一问题可以带来非常高的收益。“图像识别”技术，更宽泛地说是“计算机视觉”技术，是许多新兴技术的基础。无人驾驶汽车、面部识别软件、监测流水线缺陷和违规的“智能工厂”、保险公司用来处理和分类索赔照片的自动化软件……这些高科技都离不开“图像识别”。
科学家是如何解决这一挑战的呢？
学会“看”是一项高难度、高成本的任务
理论上我们可以用常规的神经网络来进行图像分析，但在实际操作中，从计算角度看，使用这种方法的成本非常高。举例来说，一个常规的神经网络，就算是处理一个非常小的图像，假设是30×30像素图像，仍需要900个数据输入和五十多万个参数。这样的处理加工对一个相对强大的机器来说还是可行的；但是，如果需要处理更大的图像，机器所需的数据输入和参数数量会增加到难以想象的地步。
真正的解决方案——卷积
幸运的是，我们发现，只要在神经网络的结构方式上做一个小小的改变，就能使大图像的处理更具可操作性。改造后的神经网络被称作“卷积神经网络”，也叫CNNs或ConvNets。
在任何一张图像中，接近度与相似度的关联性都是非常强的。准确地说，“卷积神经网络”就是利用了这一原理。具体而言就是，在一张图像中的两个相邻像素，比图像中两个分开的像素更具有关联性。但是，在一个常规的神经网络中，每个像素都被连接到了单独的神经元。这样一来，计算负担自然加重了，而加重的计算负担实际上是在削弱网络的准确程度。
卷积网络通过削减许多不必要的连接来解决这一问题。运用科技术语来说就是，“卷积网络”按照关联程度筛选不必要的连接，进而使图像处理过程在计算上更具有可操作性。“卷积网络”有意地限制了连接，让一个神经元只接受来自之前图层的小分段的输入（假设是3×3或5×5像素），避免了过重的计算负担。
“卷积神经网络”的内在秘密
“卷积神经网络”究竟是如何筛选出不必要的连接的呢？秘密就在于两个新添的新型图层——卷积层和汇聚层。我们通过一个案例来判断照片中是否有“奶奶”这一对象，把“卷积神经网络”的操作进行分解，逐一描述。
卷积层
1.首先，我们会将奶奶的照片分解成一些3×3像素、重叠着的拼接图块。
2.然后，我们把每一个图块运行于一个简单的、单层的神经网络，保持权衡不变。这一操作会使我们的拼接图块变成一个图组。由于我们一开始就将原始图像分解成了小的图像，所以，用于图像处理的神经网络也是比较好操作的。
3.接下来，我们将会把这些输出值排列在图组中，用数字表示照片中各个区域的内容，数轴分别代表高度、宽度和颜色。那么，我们就得到了每一个图块的三维数值表达。
汇聚层
“汇聚层”是将这个三维（或是四维）图组的空间维度与采样函数结合起来，输出一个仅包含了图像中相对重要的部分的联合数组。这一联合数组不仅能使计算负担最小化，还能有效避免过度拟合的问题。
最后，我们会把从“汇聚层”中得出的采样数组作为常规的、全方位连接的神经网络来使用。通过卷积和汇聚，我们大幅度地缩减了输入的数量，正常普通网络完全能够处理。
以上只是对“卷积神经网络”工作过程的简单描述，现实中，其工作过程是更加复杂的。另外，跟我们这里的案例不同，现实中的“卷积神经网络”处理的内容一般包含了上百个，甚至上千个标签。
张卫伟整理
