刚开始接触深度学习、卷积神经网络的时候非常懵逼，不知道从何入手，我觉得应该有一个进阶的过程，也就是说，理应有一些基本概念作为奠基石，让你有底气去完全理解一个庞大的卷积神经网络：
本文思路：
一、我认为学习卷积神经网络必须知道的几个概念：
1、卷积过程：
我们经常说卷积神经网络卷积神经网络，到底什么才是卷积？网络层卷积过程到底怎么实现？我们在这里借鉴了另一位博客大牛的动态图来给大家演示一下，
图作者文章在此：http://blog.csdn.net/silence1214/article/details/11809947
我们可以看到，卷积过程其实还是基于一个固定的矩阵，在另外一个矩阵不断一格一格扫过去的到的数值的和，（注意：这里的一格一格非常重要，因为涉及后面的概念：步长→我们不妨想一想当固定矩阵不是一格一格前进的时候，会发生什么呢？）产生的一个新的矩阵，我们以作为比较会发现：粉红色矩阵和绿色矩阵在根本上有很大不一样，
第一，卷积之后的维数降低了；第二，我们要想想为什么降维了？（思考：降低维度到底有没有规律？）
答案是有的：我们发现橙色的固定框为3*3，绿色是5*5，出来是三乘三；
所以规律可以得到：粉红色最后的卷积结果矩阵维度=绿色矩阵维数-橙色矩阵维数 1
（我们又应该思考：如果我不想最后减少维度，我只希望卷积，怎么办呢？）
2、两层之间的池化：
我们依然延用博客大牛的另一个动图（再次点赞做的精细准确！）
我们可以发现其实跟之前没什么不一样：还是以三个矩阵之间的运算，但是我们很容易发现，它并不是一行一行扫过去的，橙色矩阵维度是黄色矩阵的整数倍，所以池化的最终的结论是要把原来的维度减少到1/n.这是池化最根本的原理（当然也有特殊情况。）
3、第三个知识点是步长的概念：
卷积核（后面讲到VGG16会介绍）移动的步长（stride）小于卷积核的边长（一般为正方行）时，变会出现卷积核与原始输入矩阵作用范围在区域上的重叠（overlap），卷积核移动的步长（stride）与卷积核的边长相一致时，不会出现重叠现象。
通俗一点其实就是：刚刚说的那个粉红色矩阵，他每一次移动多少格，格子就是步长！！
4、卷积核：
一个听起来很高大上的词语，我们依然用之前的基础来解释：通俗易懂：就是粉红色矩阵的个数！！因为有时候我们要提取的特征非常多非常广泛，所以需要我们用更多的矩阵来扫（多扫几遍），那么粉红色矩阵的个数就是卷积核个数。
5、Padding:
这个应该是最抽象的概念了：但是也不会特别难呢，就是我们在之前讲到第一点：卷积的时候，我抛下了一个问题：
（我们又应该思考：如果我不想最后减少维度，我只希望卷积，怎么办呢？）
现在我们来解决这个问题：比如：我们需要做一个300*300的原始矩阵，用一个3*3卷积核（粉红色矩阵）来扫，扫出来，按照之前公式，结果的矩阵应该是：298*298的矩阵，但是这样很难计算，减得也不多，反而增加我计算难度，还不如池化（pooling）来得干脆是吧！那我们就在300*300矩阵外面周围加一圈“0”，记住，是在外面外包一层“0”
重点是：这样的300*300就变成了302*302的矩阵，这样就可以完全避开卷积后那两层的抵消。
6、还有一个就是通道的概念：这个不算知识点，仅仅是一个常识词语，比如一张图片，有RGB三种颜色，对应三个灰度级别，也就是三个通道了：
更加抽象的图可以参照下面的结构：
二、等待已久的VGG16：
VGG16分为16层，我们主要讲前面的前几层（越详细越好吧，后面是一样的）
——首先教会大家一个看其他神经网络也是用的办法：官方数据表格：
看懂一些式子表达：
Conv3-512 → 代表卷积核大小是3*3*n，n 代表channels数， 512个卷积核；
Conv3_2 s=2 → 第三层卷积层里面的第二子层，滑动步长等于2（每次移动两个格子）
好了，我们有了以上的知识可以考试剖析VGG16卷积神经网络了.
这张图在介绍VGG16时是肯定会用到的，这张图蕴含的信息非常多，
一：
这是6个网络的对比图。从A到E，网络越来越深。其中加入了一些层用来验证效果。
二：
每一列详细讲解了每个网络的结构。
三：
这是一种正确做实验的方式，即用最简单的方法把问题解决，然后针对出现的问题逐步优化。
网络A：先提一个比较浅的网络，这个网络很容易就在ImageNet上收敛了。
然后呐？
网络A-LRN：加一些别人（AlexNet）已经实验说有效的东西（LRN），but，好像没用。
然后呐？
网络B：那就加2层试试？好像有效果了。
然后呐？
网络C：再加两层1*1卷积吧，肯定能收敛。效果好像更好了。有点激动。
然后呐？
网络D：把1*1卷积核改成3*3的吧，试一试。效果又变好了。好像是目前最好的了（2014年）。
然后呐？
网络E：还能不能往上加了？又变好了！太厉害了！
然后呐？
可能作者也试验了，不过效果可能就会出现深度网络出现的一系列问题，梯度消失。再深可能效果更差了。
不过，这只是猜测，也可以试试看。
效果好不好不能只靠说，看下表：
训练技巧：
两大原因导致VGG16收敛速度很快（相对的）
- 小的卷积核，统统使用了3*3的卷积核；
- 某些层的初始化。
作者首先训练了网络A，因为A比较小，所以更容易收敛。
训练好A后，得到model去finetune 网络C，可以一次类推进而得到网络E。使用这种训练方法，显然可以加快收敛。
三、利用之前的基本概念来解释深层的VGG16卷及网络；
1、从INPUT到Conv1：
首先两个黄色的是卷积层，是VGG16网络结构十六层当中的第一层（Conv1_1）和第二层（Conv1_2），他们合称为Conv1。
我们主要讲述第一个，也就是第一层（Conv1_1），它怎么把一个300*300*3的矩阵变成一个300*300*64的矩阵？
我们假设蓝色框是一个RGB图像，橙色是一个3*3*3的卷积核，我们对一个三维的27个数求和，然后扫过去，按照第一部分算的得出来的是一维的298*298的矩阵（因为卷积核也是三维所以结果是一维）；
然后回想一下什么是Padding、前面也讲过它的概念了；所以填了一圈的0，回到了300*300*1；
然后，VGG16这一层安置有64个卷积核，那么，原来的300*300*1变成300*300*64
于是我们的到了想要的东西；最后的绿色框；
1、从Conv1到Conv2之间的过度：
这一步用的Pooling是：2*2*64 s=2；
也就是说，步长是二，滑动的矩阵本身没有重叠；刚好减半，第三维度64不变；
3、顺利来到Conv2并且结构完全一样进入Conv3：
我们知道原来INPUT是300*300*3过了第一层出来时150*150*64
那么第二层仍然有池化有128个卷积核，联想推理：
出来的应该是75*75*128；这一步没有问题，我们继续往下分析：
4、进入Conv3的推演：
可以知道第三层有256个卷积核，包含三层小的卷基层：
5、从Conv3到Conv4之间的过度：
池化没有问题，但是这里75不是一个偶数怎么弄，还记得我们第一部分前面的括号吗？
就是这样，我们在75这里相加了一个一，使之成为76，变成一个偶数，还有一种方法是通过步长的设置这里先不展开来讲了；
6、后续的步骤
后面的方法很简单，根据我给的那个VGG16的表格查找每一层里面有什么卷积核？多少个？池化的大小？步长多少？是否需要Padding？解决这些问题，你的VGG16就已经完全可以从头到尾说清楚了！！！
