卷积神经网络(CNN)

卷积神经网络(CNN)

1 卷积神经网络可以用来做什么

卷积神经网络的核心思想是捕捉局部特征，起初在图像领域取得了巨大成功，后来在文本领域也得到了广泛的应用。

2 传统神经网络和卷积神经网络的区别

左图：传统神经网络
右图：卷积神经网络
在传统神经网络中输入层常为一维，在CNN中输入层为3维，即原始图片

3 卷积神经网络的架构

3.1 输入层

在卷积神经网络中输入层常为多通道的色彩原始图片。

3.2 卷积层

根据事先设定的$W_0$，$W_1$的参数，使用内积计算$Wx+b$ 获取值
其中$W_0$，$W_1$的参数设定均为经过反向传播，最终设定的

3.3 池化层

池化层的作用简而言之就是压缩卷积层的数据，利用最大池化

3.4 全连接层

全连接层在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。