作者介紹：erik reppel，coinbase公司程式員
)
在近些年，深度學習領域的卷積神經網絡（cnns或convnets)在各行各業為我們解決了大量的實際問題。但是對于大多數人來說，cnn仿佛戴上了神秘的面紗。我經常會想，要是能将神經網絡的過程分解，看一看每一個步驟是什麼樣的結果該有多好！這也就是這篇部落格存在的意義。
首先，我們要了解一下卷積神經網絡擅長什麼。cnn主要被用來找尋圖檔中的模式。這個過程主要有兩個步驟，首先要對圖檔做卷積，然後找尋模式。在神經網絡中，前幾層是用來尋找邊界和角，随着層數的增加，我們就能識别更加複雜的特征。這個性質讓cnn非常擅長識别圖檔中的物體。
cnn是一種特殊的神經網絡，它包含卷積層、池化層和激活層。
要想了解什麼是卷積神經網絡，你首先要知道卷積是怎麼工作的。想象你有一個55矩陣表示的圖檔，然後你用一個33的矩陣在圖檔中滑動。每當3*3矩陣經過的點就用原矩陣中被覆寫的矩陣和這個矩陣相乘。這樣一來，我們可以使用一個值來表示目前視窗中的所有點。下面是一個過程的動圖：
正如你所見的那樣，特征矩陣中的每一個項都和原圖中的一個區域相關。
在圖中像視窗一樣移動的叫做核。核一般都是方陣，對于小圖檔來說，一般選用3*3的矩陣就可以了。每次視窗移動的距離叫做步長。值得注意的是，一些圖檔在邊界會被填充零，如果直接進行卷積運算的話會導緻邊界處的資料變小（當然圖檔中間的資料更重要）。
卷積層的主要目的是濾波。當我們在圖檔上操作時，我們可以很容易得檢查出那部分的模式，這是由于我們使用了濾波，我們用權重向量乘以卷積之後的輸出。當訓練一張圖檔時，這些權重會不斷改變，而且當遇到之前見過的模式時，相應的權值會提高。來自各種濾波器的高權重的組合讓網絡預測圖像的内容的能力。 這就是為什麼在cnn架構圖中，卷積步驟由一個框而不是一個矩形表示; 第三維代表濾波器。
注意事項：
卷積運算後的輸出無論在寬度上還是高度上都比原來的小
核和圖檔視窗之間進行的是線性的運算
濾波器中的權重是通過許多圖檔學習的
池化層和卷積層很類似，也是用一個卷積核在圖上移動。唯一的不同就是池化層中核和圖檔視窗的操作不再是線性的。
最大池化和平均池化是最常見的池化函數。最大池化選取目前核覆寫的圖檔視窗中最大的數，而平均池化則是選擇圖檔視窗的均值。
在cnn中，激活函數和其他網絡一樣，函數将數值壓縮在一個範圍内。下面列出了一些常見的函數。
在cnn中最常用的是relu（修正線性單元）。人們有許多喜歡relu的理由，但是最重要的一點就是它非常的易于實作，如果數值是負數則輸出0，否則輸出本身。這種函數運算簡單，是以訓練網絡也非常快。
cnn中主要有三種層，分别是：卷積層、池化層和激活層。
卷積層使用卷積核和圖檔視窗相乘，并使用梯度下降法去優化卷積核。
池化層使用最大值或者均值來描述一個圖形視窗。
激活層使用一個激活函數将輸入壓縮到一個範圍中，典型的0,1。
在我們深入了解cnn之前，讓我們先補充一些背景知識。早在上世紀90年代，yann lecun就使用cnn做了一個手寫數字識别的程式。而随着時代的發展，尤其是計算機性能和gpu的改進，研究人員有了更加豐富的想象空間。 2010年斯坦福的機器視覺實驗室釋出了imagenet項目。該項目包含1400萬帶有描述标簽的圖檔。這個幾乎已經成為了比較cnn模型的标準。目前，最好的模型在這個資料集上能達到94%的準确率。人們不斷的改善模型來提高準确率。在2014年googlenet 和vggnet成為了最好的模型，而在此之前是zfnet。cnn應用于imagenet的第一個可行例子是alexnet，在此之前，研究人員試圖使用傳統的計算機視覺技術，但alexnet的表現要比其他一切都高出15％。讓我們一起看一下lenet：
這個圖中并沒有顯示激活層，整個的流程是：
輸入圖檔 →卷積層 →relu → 最大池化→卷積層 →relu→ 最大池化→隐藏層 →softmax (activation)→輸出層。
下圖是一個貓的圖檔：
這張圖長400像素寬320像素，有三個通道（rgb）的顔色。
那麼經過一層卷積運算之後會變成什麼樣子呢？
這是用一個3*3的卷積核和三個濾波器處理的效果（如果我們有超過3個的濾波器，那麼我可以畫出貓的2d圖像。更高維的話就很難處理）
我們可以看到，圖中的貓非常的模糊，因為我們使用了一個随機的初始值，而且我們還沒有訓練網絡。他們都在彼此的頂端，即使每層都有細節，我們将無法看到它。但我們可以制作出與眼睛和背景相同顔色的貓的區域。如果我們将核心大小增加到10x10，會發生什麼呢？
我們可以看到，由于核心太大，我們失去了一些細節。還要注意，從數學角度來看，卷積核越大，圖像的形狀會變得越小。
如果我們把它壓扁一點，我們可以更好的看到色彩通道會發生什麼？
這張看起來好多了！現在我們可以看到我們的過濾器看到的一些事情。看起來紅色替換掉了黑色的鼻子和黑色眼睛，藍色替換掉了貓邊界的淺灰色。我們可以開始看到圖層如何捕獲照片中的一些更重要的細節。
如果我們增加核心大小，我們得到的細節就會越來越明顯，當然圖像也比其他兩個都小。
我們通過添加一個relu，去掉了很多不是藍色的部分。
我們添加一個池化層（擺脫激活層最大限度地讓圖檔更加更容易顯示）。
正如預期的那樣，貓咪變成了斑駁的，而我們可以讓它更加斑駁。
現在圖檔大約成了原來的三分之一。
如果我們将貓咪的圖檔放到lenet模型中做卷積和池化，那麼效果會怎麼樣呢?
convnets功能強大，因為它們能夠提取圖像的核心特征，并使用這些特征來識别包含其中的特征的圖像。即使我們的兩層cnn，我們也可以開始看到網絡正在對貓的晶須，鼻子和眼睛這樣的地區給予很多的關注。這些是讓cnn将貓與鳥區分開的特征的類型。
cnn是非常強大的，雖然這些可視化并不完美，但我希望他們能夠幫助像我這樣正在嘗試更好地了解convnets的人。
擴充閱讀
<a href="http://cs231n.github.io/convolutional-networks/">andrej karpathy’s cs231n!</a>
<a href="https://arxiv.org/pdf/1603.07285v1.pdf">a guide to convolution arithmetic for deep learning by vincent dumoulin and francesco visin</a>
以上為譯文
文章原标題《visualizing parts of convolutional neural networks using keras and cats》，作者：erik reppel，譯者：愛小乖，審校：6816816151。