7. CNN 解决了什么问题？

在 CNN 出现之前，图像对于⼈⼯智能来说是⼀个难题，有2个原因：

图像是由像素构成的，每个像素⼜是由颜⾊构成的。

现在随随便便⼀张图⽚都是 1000×1000 像素以上的， 每个像素都有RGB 3个参数来表示颜⾊信息。假如我们处理⼀张 1000×1000 像素的图⽚，我们就需要处理3百万个参数！1000×1000×3=3,000,000

这么⼤量的数据处理起来是⾮常消耗资源的，⽽且这只是⼀张不算太⼤的图⽚！

卷积神经⽹络 – CNN 解决的第⼀个问题就是「将复杂问题简化」，把⼤量参数降维成少量参数，再做处理。更重要的是：我们在⼤部分场景下，降维并不会影响结果。⽐如1000像素的图⽚缩⼩成200像素，并不影响⾁眼认出来图⽚中是⼀只猫还是⼀只狗，机器也是如此。

图⽚数字化的传统⽅式我们简化⼀下，就类似下图的过程：

假如有圆形是1，没有圆形是0，那么圆形的位置不同就会产⽣完全不同的数据表达。但是从视觉的⻆度来看，图像的内容（本质）并没有发⽣变化，只是位置发⽣了变化。

所以当我们移动图像中的物体，⽤传统的⽅式的得出来的参数会差异很⼤！这是不符合图像处理的要求的。

⽽ CNN 解决了这个问题，他⽤类似视觉的⽅式保留了图像的特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。

那么卷积神经⽹络是如何实现的呢？在我们了解 CNN 原理之前，先来看看⼈类的视觉原理是什么？