【现学现卖】CHEER中的概念解释——CNN
“ 概念理解”——卷积神经网络（真的现学现卖的一篇），如果有理解错误，还望留言更正。
CHEER: HierarCHical taxonomic classification for viral mEtagEnomic data via deep leaRning
对这篇文章中概念的理解：
卷积神经网络（Convolutional Neural Network, CNN）
是一种专门用来处理具有类似网格结构的数据的神经网络，比如前几天读的文章中的reads序列数据，可以看作DNA碱基网格；还有CNN擅长的图像数据处理，图像看作是像素网格。
（1）卷积，是一种线性运算（运算符号*星号），CNN里至少在网格中的一层中使用卷积运算来替代一般的矩阵乘法运算。
二维张量上的卷积运算：
（2）神经网络的关键设计原则来自神经科学，受Hubel和Wiesel对猫视觉皮层电生理研究启发。
以识别图像为例（让电脑看到我们所看的世界，甚至更精细）
当给计算机输入一个彩色图像（480px），计算机接收到的是[480×480×3]的数组（每个数字范围0-255）。
回想一下我们看一张图片，分辨图中是什么动物的时候，一般看边缘或者明显特征。我们也是这么训练计算机，通过低等级特征执行图像分类，再通过一系列卷积层构建更抽象的概念。
下面的动图表示的是5×5×1（单通道）的卷积运算，绿色为输入的图片，黄色为卷积层（Convolution Layer或内核The Kernel），粉色是输出。
那么MxNx3（RGB通道）图片的卷积运算是什么样子？
与卷积层相似，池化层（Pooling layer）负责减小卷积特征的空间大小。这是为了通过降维来减少处理数据所需的计算能力。池化有两种类型：最大池化和平均池化。
卷积层和池化层使模型可以成功的理解图片的一些特征，接下来就是整理和输出，然后交给常规神经网络进行分类。
全连接层（Fully Connected Layer (FC Layer)）是学习卷积层输出所表示的高级特征的非线性组合的常用方法。
前面已经将输入图像转换为适合多层感知器的形式，即图像展平为列向量。展平的输出被送到前馈神经网络，反向传播用于迭代训练。
经历训练后，该模型能够区分图像中的主要特征和某些低级特征，并使用Softmax分类技术对其进行分类。
