卷积神经网络（CNN）基本概念

一、卷积神经网络基本概念

卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元相连接。在CNN的一个卷积层中，通常包含若干个特征平面，每个特征平面都由一些矩形排列的神经元组成，同一特征平面的神经元共享权重参数，这里共享的权重参数就是卷积核。
卷积核一般由随机小数矩阵的形式初始化，随着神经网络的不断训练，卷积核将会学习到更合理的权值。共享权值（卷积核）可以减少网络各层之间的连接，同时降低过拟合的风险。
子采样也叫做池化（pooling），通常有均值子采样（mean pooling）和最大值子采样（max pooling）两种形式。子采样可以看作一个特殊的卷积过程。卷积和子采样可以简化模型的复杂度，减少模型的参数。

二、卷积神经网络原理

2.1神经网络

神经网络的每个单元如下：

其对应的公式为：

该单元也可以被称作Logistic回归模型。当多个单元组合起来并具有分层结构时，就形成了神经网络模型。下图是一个具有隐含层的神经网络：