CNN（卷积神经网络）
笔记出处：李宏毅讲CNN
根据下面几个问题理清楚CNN的结构原理
1. CNN的哪些特点导致适合做类似图像分类这种图像任务？
图像分类这类型的任务包括：
<1> 不需要图片中所有的信息，可能只需要局部的特征就能判断出来
<2> 图片的缩放并不会影响对于整个图片的判断，所以在CNN中就会用到pooling来减小计算量
<3> 单个卷积核会扫过整张图片，是因为相同的局部特征可能会出现在图片的不同位置
2. alpha Go的下围棋也是用到了CNN算法来预测下一步的落子位置，它也是原封不动的用了CNN的所有机制吗？
并不是，alpha Go的神经网络中并没有用到pooling机制，因为围棋和图片不同，图片缩放不影响任务判断，但是围棋会，这个事实告诉我们要根据实际任务来选择和设计神经网络的策略才是正确的，并不是生搬硬套
3. 在CNN中随着神经网络层数的递增，后面的特征捕捉到的图片信息是增加的还是减少的
是增加的，因为随着CNN的卷积次数的增加，特征会逐渐组合并叠加，所以虽然可能卷积核的尺寸会减小，但是感受野是越来越大的