详细内容或原文请订阅后点击阅览
通过 Excel 了解卷积神经网络 (CNN)
深度学习通常被视为黑匣子。我们知道它从数据中学习，但我们很少停下来问它如何真正学习。如果我们可以打开那个盒子并观察每一步在我们眼前发生怎么办？使用 Excel，我们可以做到这一点，看看数字如何变成模式，以及简单的计算如何成为我们所谓的“深度学习”的基础。在本文中，我们将直接在 Excel 中构建一个微型卷积神经网络 (CNN)，以逐步了解机器如何检测图像中的形状、模式和含义。通过 Excel 的卷积神经网络 (CNN) 首先出现在《走向数据科学》上。
来源:走向数据科学作为黑匣子。我们知道它从数据中学习，但问题是它如何真正学习。
如何在本文中，我们将直接在 Excel 中构建一个微型卷积神经网络 (CNN)，以逐步了解 CNN 实际如何处理图像。
我们将打开这个黑匣子，看着每一步都发生在我们眼前。我们将了解作为“深度学习”基础的所有计算。
本文属于有关在 Excel 中实现机器学习和深度学习算法的系列文章。您可以在此 Kofi 链接中找到所有 Excel 文件。
Kofi 链接1. 机器如何看待图像
1.1 检测图像中某些内容的两种方法
当我们尝试检测图片中的物体（例如猫）时，主要有两种方法：确定性方法和机器学习方法。让我们看看这两种方法如何用于识别图片中的猫的示例。
确定性方式是指手工编写规则。
确定性方式例如，我们可以说一只猫有一张圆脸、两个三角形耳朵、一个身体、一条尾巴等。因此开发人员将完成定义规则的所有工作。
然后计算机运行所有这些规则，并给出相似度评分。
机器学习方法意味着我们不自己编写规则。
机器学习方法相反，我们给计算机提供了很多例子，有猫的图片和没有猫的图片。然后它会自己学习是什么让猫成为猫。
这就是事情变得神秘的地方。
我们通常说机器会自己解决这个问题，但真正的问题是如何解决。
事实上，我们仍然需要告诉机器如何创建这些规则。规则应该是可以学习的。所以关键点是：我们如何定义将使用的规则类型？
1.2 理解图像是什么
首先，什么是图像？
决策树