?“?概念理解”——卷積神經(jīng)網(wǎng)絡(luò)（真的現(xiàn)學(xué)現(xiàn)賣(mài)的一篇）负懦，如果有理解錯(cuò)誤昔字，還望留言更正隙笆。
CHEER: HierarCHical taxonomic classification for viral mEtagEnomic data via deep leaRning
對(duì)這篇文章中概念的理解：
【現(xiàn)學(xué)現(xiàn)賣(mài)】CHEER與病毒宏基因組數(shù)據(jù)分析（1）
【現(xiàn)學(xué)現(xiàn)賣(mài)】CHEER與病毒宏基因組數(shù)據(jù)分析（2）
【現(xiàn)學(xué)現(xiàn)賣(mài)】CHEER中的概念解釋——k-mer
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,?CNN）
是一種專(zhuān)門(mén)用來(lái)處理具有類(lèi)似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)肃续，比如前幾天讀的文章中的reads序列數(shù)據(jù)尚蝌，可以看作DNA堿基網(wǎng)格饼拍；還有CNN擅長(zhǎng)的圖像數(shù)據(jù)處理首装，圖像看作是像素網(wǎng)格厉膀。
（1）卷積颤殴，是一種線性運(yùn)算（運(yùn)算符號(hào)*星號(hào)）觅廓，CNN里至少在網(wǎng)格中的一層中使用卷積運(yùn)算來(lái)替代一般的矩陣乘法運(yùn)算。
二維張量上的卷積運(yùn)算：
（2）神經(jīng)網(wǎng)絡(luò)的關(guān)鍵設(shè)計(jì)原則來(lái)自神經(jīng)科學(xué)涵但，受Hubel和Wiesel對(duì)貓視覺(jué)皮層電生理研究啟發(fā)杈绸。
以識(shí)別圖像為例（讓電腦看到我們所看的世界，甚至更精細(xì)）
當(dāng)給計(jì)算機(jī)輸入一個(gè)彩色圖像（480px）矮瘟，計(jì)算機(jī)接收到的是[480×480×3]的數(shù)組（每個(gè)數(shù)字范圍0-255）瞳脓。
回想一下我們看一張圖片，分辨圖中是什么動(dòng)物的時(shí)候澈侠，一般看邊緣或者明顯特征劫侧。我們也是這么訓(xùn)練計(jì)算機(jī)，通過(guò)低等級(jí)特征執(zhí)行圖像分類(lèi)哨啃，再通過(guò)一系列卷積層構(gòu)建更抽象的概念烧栋。
下面的動(dòng)圖表示的是5×5×1（單通道）的卷積運(yùn)算，綠色為輸入的圖片拳球，黃色為卷積層（Convolution Layer或內(nèi)核The Kernel）审姓，粉色是輸出。
那么MxNx3（RGB通道）圖片的卷積運(yùn)算是什么樣子醇坝？
與卷積層相似，池化層（Pooling layer）負(fù)責(zé)減小卷積特征的空間大小次坡。這是為了通過(guò)降維來(lái)減少處理數(shù)據(jù)所需的計(jì)算能力呼猪。池化有兩種類(lèi)型：最大池化和平均池化。
卷積層和池化層使模型可以成功的理解圖片的一些特征砸琅，接下來(lái)就是整理和輸出宋距，然后交給常規(guī)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)。
全連接層（Fully Connected Layer (FC Layer)）是學(xué)習(xí)卷積層輸出所表示的高級(jí)特征的非線性組合的常用方法症脂。
前面已經(jīng)將輸入圖像轉(zhuǎn)換為適合多層感知器的形式谚赎，即圖像展平為列向量。展平的輸出被送到前饋神經(jīng)網(wǎng)絡(luò)诱篷，反向傳播用于迭代訓(xùn)練壶唤。
經(jīng)歷訓(xùn)練后，該模型能夠區(qū)分圖像中的主要特征和某些低級(jí)特征棕所，并使用Softmax分類(lèi)技術(shù)對(duì)其進(jìn)行分類(lèi)闸盔。
