CNN入门讲解：为什么要做训练（Training）?

首发于专栏：

欢迎大家关注我的公众号：follow_bobo

麻烦大家给我点个赞，就是那种让我看起来，写的还不错的样子!

拜托了！！o(´^｀)o

今天我要讲的是一个很基础很基础的东西，适合初学者：

模型训练（Training）

如果你刚开始接触CNN，你一定会好奇，我给CNN灌入大量的数据做训练，到底要让CNN获得一种什么能力

首先我们的目的是：

给数据作分类

怎么给数据作分类：

要么找到数据的因果关系，要么找到数据间的关联

我们希望找到一个规则，或者一个表达式，它的作用是

理清楚数据间的关系，或者拟合数据的分布

我们就暂时给这个作用起名叫:

kernel

因为这个kernel 的作用，我们对数据之间的关系更加明晰，进而更好的分类，如下图所示：

那么我们的目的就变成了：

怎么找到最好的kernel

我们知道：

两层或者以上的神经网络，几乎可以拟合任意函数

那么就回到了今天的主题，为什么要做训练，目的就在于：

通过训练，我找到可以理清数据间关系的神经网络，或者拟合数据分布的神经网络

CNN中各个层，就好比这一个个Kernel，她的目的就是一层一层去找到数据特征间的关系，直到最后，我们可以很好地将数据特征分类，以此来对特征进行分类

下面我来举个例子：

训练前，用模型提取出来的特征分布图， 可以看到不同数据之间的特征‘纠缠’在一起，难分难解

经过足够的训练之后，你应该能明显看到特征甚至已肉眼可分的方式，被区分开来

是不是很棒棒？

就问你，6不6 吧？