卷积神经网络(CNN）学习笔记

卷积神经网络（CNN）

卷积神经网络（Convolutional Neural Network ）是一种深度前馈神经网络，广泛应用于图像识别和自然语言处理等方向，本文基于初学者的视角简单描述卷积神经网络的概念和原理，包含个人主观理解,如有错误恳请指正。

为何选用CNN来处理图像

传统的全连接（fully connected）网络结构在处理图像时，由于图片的二维结构，导致神经元数量大大增加，即使是100X100的图片也需要单层10000个参数，要想处理图片，必须采用新的网络架构来减少参数，避免权重爆炸的现象发生。

基于人类的常识，可以判断出在图像辨识中，某些细节往往比整张图片的其余部分重要得多，例如辨别一张图片中的鸟，我们往往观察到的是属于鸟的特征（pattrens），例如鸟喙，翅膀，爪子而非图片中的背景。CNN的设计即是这种思想的体现。

CNN的组件和基本架构

一个完整的卷积神经网络包括卷积层（Convolution）、池化层（MaxPooling）和全连接层（Fully Connected）。其中卷积层和池化层可以循环任意次。

和传统的神经网络一样，CNN神经元也需要激励函数（Activation Funtion），通常使用ReLU（Rectified linear unit）函数作为激励函数，其