ディープラーニングのCNNが何をやっているのか、そのメカニズム・仕組みについて独自解釈を書いてみました。
いや、単純・アタリ前の話だけどね。
◆前提
そもそも、画像認識のニューラルネットワーク（NN）は、何をやっているのかと言いますと。
画像（色の位置座標の集合）を複数の分類に変換している。
さらに、細かく書きますと・・・
画像（色の位置座標の集合）→複数の特徴とその位置→複数の特徴→複数の分類
と変換している。
最終出力の分類では、位置情報は消滅する。
分類を出すためには、分類を表現する特徴だけあれば良い。
早い話が位置情報はなくしたい。
が・・・話は簡単ではない。
画像認識では、特徴の関係が重要になる。
特に、特徴の位置関係が重要になる。
例えば、目と目の位置、目と口と鼻の位置関係、頭と体の位置関係など。
そのため、むやみやたらに位置情報を削除でない。
ゆっくりと、ゆっくりと位置情報を減らしていき、特徴情報を増やしていきたい。
◆CNN
大変わかりやすい図がありましたので、引用させていただきます。
出典：人工知能に関する断創録 Theanoによる畳み込みニューラルネットワークの実装 (1)
http://aidiary.hatenablog.com/entry/20150626/1435329581
Layer0では、特徴マップ１枚大きさ（24×24）で特徴マップは２０枚。
Layer１では、特徴マップ１枚大きさ（8×8）で特徴マップは５０枚。
と、特徴マップの種類が増えている一方で
特徴マップ自身のサイズはどんどん小さくなっている。
ポイントは、特徴マップの種類が増えている点。
位置情報は、どんどん減っている一方で、特徴？の種類・情報はどんどん増えている。
ゆっくりと変換しているのだ。
そして、
Layer２では、特徴マップはなくなって普通のNNになっている。
（位置情報が完全にゼロになったわけじゃないけど）
以前、他のHPの説明を読んだ時、
畳み込み層（convolution layer）とプーリング層（pooling layer）の繰り返しが強調されていたんだけど、
特徴マップの種類が増えていることは、どうにも印象に残らなかった。
そのため私の中では理解の妨げになっていた。
必ずしも、特徴マップの種類を増やさなくても、機能するかもしれない。
でも、私としては、この点がポイントのような気がしてならない。
