卷积运算的过程其实非常简单，过程如图4-27描述，可以概括为公式(4.3.6)。其中B代表卷积后的结果，K是卷积核，A为图像的输入矩阵。
图4-27 卷积运算过程
如图4-27所示，可见卷积核K为2*2的卷积核，详细运算过程如下。
全部图像卷积运算可以通过公式(4.3.6)进行。
（3）激活
CNN卷积神经网络在卷积后需要经过激活过程，当前通常使用的激活函数是Relu函数。Relu函数的主要特点在之前的章节已经讲过。从函数的图像上来看，单侧抑制，相对宽阔的兴奋边界，具有稀疏激活性的特点。
（4）池化（Pooling）
池化的目的是提取特征，减少向下一个阶段传递的数据量。池化操作相对于对每个深度切片是独立，池化规模一般为像素的 2＊2，与卷积运算相比，池化层运算一般有以下几种：
- 最大池化（Max Pooling）：取4个点数值的最大值。这是最常用的池化算法。
- 均值池化（Mean Pooling）：取4个点数值的均值。
- 高斯池化（Gauss Pooling）：按照高斯模糊的方法。
如图4-28，描述了最大池化的计算方法。
图4-28 池化运算过程
（5）全连接（Fully-connected layer）
全连接层一般出现最后几步，在卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。全连接过程是对矩阵的展开过程，也可以理解为输出矩阵与一个1*1的卷积核进行卷积运算，最后展开为一个1*n的向量。
在卷积神经网络中，全连接层一般使用Softmax函数来进行分类。Softmax函数适用于数据分类，用于保证每个分类概率总和为1。
卷积神经网络（CNN）的计算过程虽然讲解繁琐，但对于了解深刻理解神经网络算法非常有益。卷积神经网络经过近30年的发展拥有多条网络发展分支，并且持续高速发展之中。其中有网络层数加深的VGG16与VGG19等，有卷积模块增强的NIN网络等，从分类任务向目标检测任务过度的新型网络R-CNN等，图4-29展示了卷积神经网络的不同发展分支。
#专栏作家#
白白，人人都是产品经理专栏作家。公众号：白白说话（xiaob-talk）。医药行业资深产品专家，负责人工智能行业类产品综合架构与技术开发。在行业云产品架构，药物设计AI辅助、医疗知识图谱等领域有深入研究。
本文原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议
