深度学习-科普向

Deep learning 深度学习算法（总称）。

CNN 卷积神经网络 CNN是深度学习算法在图像处理领域的一个应用。

第一点，不必将Deep learning 和CNN当做很了不起的东西，在实际应用中仍可以将它当做一个分类器或者黑盒子来使用它。
第二点，Deep learning 强大的地方就是可以把 深度学习网络 中的 某一层 的 输出 当做是 数据的另一种表达形式，即：通过神经网络学习到的特征。基于此特征，可以在网络的下一层进行进一步的处理，如 相似度比较 等等
第三点：Deep learn算法的成功率与数据的规模是成正比的，因此每个Deep learn都有众多的参数，少量数据无法将参数训练充分。


        CNN 卷积神经网络 的结构：CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来，其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有的神经元的权值相当。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。
      卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
CNN 卷积网络 的用途：CNN主要用来识别位移，缩放，以及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，
所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习，再者由于同一特征映射面上的神经元权值相同，所以网络
可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着
独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点
避免了特征提取和分类过程中数据重建的复杂度。

 参考资料：http://edu.51cto.com/index.php?do=search&m=course&q=%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0
                    http://www.36dsj.com/archives/24006