（CNN）卷积神经网络（一）

1. 卷积神经网络与人工神经网络
2. 神经网络的层级结构
3. 数据输入层
4. 权值初始化

1.卷积神经网络与人工神经网络

卷积神经网络与一般的神经网络很相似，每个节点都接受相应的数据，有点乘，也有非线性映射，但卷积神经网络最大的改进之处在于卷积层，它极大的减少了参数w的数量，以至于大大降低了计算量。那它到底是具体怎么做的呢？我们一起来谈一个究竟。

就像我在这篇文章（人工神经网络）中说过的那样，神经网络会接受一个输入（一般为向量表示的图片数据），同时让这些数据通过一系列隐藏层，每个隐藏层都有很多神经节点，每个神经节点又和其他隐藏层的神经节点相连，同一层上的神经节点相互独立，最后再接一个全连接层，输出每张图片属于每个类别的概率。

仔细思考，你就会发现，如果一张图片是32X32X3(32为宽度，32为高度，3为三个颜色通道)，那么在全连接层就有32X32X3 = 3072个参数，但如果是200X200X3的图片呢，在全连接层需要的参数就高达120000，这就会带来了两个大问题：
A.数据计算特别慢，非常消耗计算资源
B.参数太多，同时带来的误差也会非常大，很容易造成过拟合。
那怎么办呢？

最简单的想法就是较少权重参数嘛，那卷积神经网络又是怎么减少权重参数的呢？如图可见，卷积神经网络中的卷积有一个三维结构：宽度，高度，和深度（注意这里的深度是第三个维度，不是整个网络的深度）。

左图是标准的3层神经网络结构，右图是卷积神经网络，宽度和高度表示了图片的维度，而深度表示三个的颜色通道。

2.神经网络的层级结构

如图所示，卷积神经网络一共分为五层，分别是：

$$数据输入层／input\ layer$$ $$卷积计算层／conv\ layer$$ $$ReLu 激励层／ReLu \ layer$$

池