机器学习-6：DeepLN之CNN源码

你要的答案或许都在这里：小鹏的博客目录

我想说：

可能一直关注我更新文章的童鞋，可能看出我的布局，基本是先搭一个框架然后挖坑去填，这可能是我做事情一个优点，当接触到新事物总是能快速建立一个框架，然后去慢慢填，可能刚开始建立的框架是错的，但是没关系，后面随着认知的加深慢慢去改，这可能与我数学比较好有点关系（又开始了...对你无语！！！），跟着清华宁向东老师学习管理学半年，感觉在宁老师上课方式跟我学习知识有点相似（当然应该是我跟宁老师相似），框架搭好挖坑去填，然后多问为什么？另外我也一直反对老师上课用ppt，为什么不用板书，由以前的事半功倍，变成现在事倍功半，反而让学生课后要花更多时间去自己琢磨学习，爱学习的还好，就像我这种不爱学习的简直是大坑。清华老校长梅贻琦先生的话：大学者，非有大楼之谓也，而有大师之谓也。

今天我们来研究cnn的源码，不用dl框架，前边文章已经对卷积、池化、全连结、前向传播、后向传播等做了铺垫，还少了激活函数(稍微提一下，使解决非线性成为可能，同时选择不当会导致梯度后向传播失败的问题)、BN(解决训练过程中数据弥散、加速训练，抗过拟合、弥补激活函数造成梯度后向传播失败的问题)等文章，后面会慢慢填起来。

又是截图哈哈，个人观点：好代码是敲出来的；从来不是搬出来的；

开始顺代码：

推荐阅读：

1. 机器学习-1：MachineLN之三要素

2. 机器学习-2：MachineLN之模型评估

3. 机器学习-3：MachineLN之dl

4. 机器学习-4：DeepLN之CNN解析

5. 机器学习-5：DeepLN之CNN权重更新（笔记）

6. 机器学习-6：DeepLN之CNN源码

7. 机器学习-7：MachineLN之激活函数

8. 机器学习-8：DeepLN之BN

9. 机器学习-9：MachineLN之数据归一化

10. 机器学习-10：MachineLN之样本不均衡

11. 机器学习-11：MachineLN之过拟合

12. 机器学习-12：MachineLN之优化算法

13. 机器学习-13：MachineLN之kNN

14. 机器学习-14：MachineLN之kNN源码

15. 机器学习-15：MachineLN之感知机

16. 机器学习-16：MachineLN之感知机源码

17. 机器学习-17：MachineLN之逻辑回归

18. 机器学习-18：MachineLN之逻辑回归源码