CNN 的训练大致流程

　　卷积神经网络的训练流程大致可分为以下几步:

• 使用随机值初始化所有的过滤器中的权重和参数(filter)
• 网络以训练图像作为输入，经过前向传播过程(forward progagation)(卷积，ReLU, 池化，以及在全连接层的前向传播过程), 最终得到对应于每个类的概率值.
  • 因为第一步中过滤器的权重和参数是随机设置的，所以这里得到的概率也应是随机的．
• 计算输出层的总误差
  
• 使用反向传播计算误差在网络中各个权重上的梯度，使用梯度下降法更新所有过滤器的值 / 权重使得输出误差最小
  • 权重根据他们对误差的贡献做更新
  • 如果输出的总误差减小，那么意味着网络已经通过调整他的权重学会了区分特定的图片．
  • 诸如过滤器的个数，过滤器的大小和网络的结构等参数，已经在第一步之前就已经确定并且在训练过程中不再更改，只有过滤器的值和网络的权重是不断更新的.
• 对于在训练集中的所有图片重复执行 2 - 4 步．