1.为什么用CNN处理图像
CNN做的事就是简化neural network的架构，用比较少的参数来做影像处理这件事。所以CNN比一般的DNN还要简单的。
为什么可以用比较少的参数可以来做影像处理这件事情
- 在图片处理中，大部分的pattern其实要比整张的image还要小，对一个neural来说，假设它要知道一个image里面有没有某一个pattern出现，它其实是不需要看整张image，它只要看image的一小部分。
- 样的pattern在image里面，可能会出现在image不同的部分，但是代表的是同样的含义，它们有同样的形状，可以用同样的neural，同样的参数就可以把patter侦测出来。
- 我们知道一个image你可以做subsampling，你把一个image的奇数行，偶数列的pixel拿掉，变成原来十分之一的大小，它其实不会影响人对这张image的理解。
2.CNN架构
卷积（convolution）
通过filter 1检测出，左上角和左下角出现最大值。同理使用filtr 2对图像做convolution后，可以得到下面的矩阵。
对于彩色图像（RGB）
一个彩色的image就是好几个matrix叠在一起，就是一个立方体。如果要处理彩色image，这时候filter不是一个matrix，filter而是一个立方体。如果今天是RGB表示一个pixel的话，那input就是3*6 *6，那filter就是3 *3 *3。
在做convolution的话，就是将filter的9个值和image的9个值做内积(不是把每一个channel分开来算，而是合在一起来算，一个filter就考虑了不同颜色所代表的channel)
卷积vs全连接
卷积网络可以看作特殊的全连接网络。
max pooling
max pooling 根据filter 1和filter 2分别得到的4*4矩阵，每个矩阵将其分为4组，每一组用里面平均或者最大的数代替。** 一个filter就代表一个channel **
flatten
flatten就是将feature map拉直，给到fully connected feedforward netwwork。
model.add(Convolution2D( 25, 3, 3)
25代表有25个filter，3 *3代表filter是一个3 *3的matrix
Input_shape=(28,28,1)
假设我要做手写数字辨识，input是28 *28的image，每个pixel都是单一颜色。所以input_shape是(1,28,28)。如果是黑白图为1(blacj/white)，如果是彩色的图时为3(每个pixel用三个值来表述)。
MaxPooling2D(( 2, 2 ))
2,2表示把2*2的feature map里面的pixel拿出来，选择max value。