1. 文中比较重要的引用了几个篇博客，开篇给与博主感谢
2. 记录我从零到实现一个具体CNN网络中最有用的知识干货
3. 以细节为切入点，分享我对CNN网络的简洁
4. 本文致力于让你一篇文章理解CNN的具体实现与训练方法
5. 涉及理论不一一追述背景，主要讲解其如何应用
6. 开源的优秀CNN代码很多，我选择的入门可能不是最棒的，但对我是最容易理解的

开始

一、神经网络与卷积

1、如果你不了解神经网络，这篇 CNN笔记：通俗理解卷积神经网络 够了。
2、如果你不了解神经网络，这篇 CNN笔记：通俗理解卷积神经网络 也够了。
3、看黑板标重点，看完文章请确保理解：卷积、池化（采样）、全连接
4、这一条只是单纯地给上文的博主点10个贊。。。。。。。。。

二、一个简单的CNN结构

1、首先我们需要了解一个数据集MINST，刚去搜了一篇介绍比较详细的博客MNIST数据集解析，不过代码是Python如果不懂请选择忽略，看他关于MINST的介绍就好。不过你也可以先跳过这步，这只是输入数据，并不关乎我们的CNN构架。
2、如果上文你了解了卷积，那么现在可以给你介绍一个简单的CNN手写识别网络了。这也有一篇很好的博客编写C语言版本的卷积神经网络CNN之网络的总体结构，篇末有一份博主的C语言代码连接，纯C语言的自己注意修改一下代码中加载的文件路径，运行起来不是很难。不过文章的配图，和公式说明比较复杂，所以就只建议阅读tostq的专栏的篇二（就是上一个连接）。
3、在此送一张我自己画的图，姑且称为图一。

三、根据图一而来的 正向计算

先说明一下本文采用的激活函数Sigmoid()，表达式 S(x)=1/[1+exp(−x)] 。它有一个很好的特性其导函数与其输出有关，即 S~(x)=S(x)∗[1−S(x)]。
在之后的文章里我们用 f(y)=y∗(1−y)=S(x)∗[1−S(x)]=S~(x) 表示激活函数的导函数，文章内引用不再重复说明。

3.1、卷积层C1、C3的计算

以 ym(x,y) 表示第m张输出图位置(x,y)的像素信息， bm 表示偏置， Xp(x,y) 示第p张输入图， Kpm(j,i) 表示当前输入图与输出图之间的卷积核，W、H分别表示卷积核的宽、高。可以得到输出图每个像素值的计算公式，如下：