我们经常听说，图像识别或图像生成需要用到神经网络。

也经常听说，神经网络就是将大数据分类的一个技术，利用原始数据进行模型训练，直至生成可靠的分类器。

而这模型的基础架构就是利用，对基础输入，进行卷积计算，与“线性”权重组合而成的神经网络。

此后，利用对测试集的相似度对比，即距离，得到一个是非集。

可是，卷积到底卷得啥？这是个仁者见仁，智者见智的问题。

对于深度学习中图像处理相关的课题，目前主流科研及应用技术，大多卷积其实是卷的图像原始数据，比如说，一张10*10的黑白图像，输入即长度为100，值为0或1的数据。

我们可以用笨方法来，对每个值进行一个权重。也就得到了一个长度为100的权重w数组。
然后将通过卷积计算模型的output，通常为一个实数，与数据库中的已有图像进行对比，算出一个距离d，当d满足阈值时，就可以出结果了。

这时候你会迷惑，在不断通过模型的过程中，我要如何调整权重，以达到逐渐逼进的效果呢？这要利用梯度函数，找到极值，来判断应该下降还是上升权重。这时候我们不妨定义错误结果和正确结果之间的差距是一个损失函数，通过对权重们求导判断当前结果在通常为二次函数的曲线上是在哪个位置，由于要最小化loss，所以需要往极值处努力。

这只是个抽象的思路，我看过的书目中讲述得也不是很具体。所以算法很可能彻底弄反了。但我认为这才是其中的精粹的部分。具体实现原理我会在后期对比书目去写，就不在这空谈误国了。