卷积神经网络（CNN）

卷积神经网络是一种前馈神经网络，是受生物学上感受野的机制提出的，CNN在结构上有三个特性：局部连接、权值共享、时间或空间上的次采样。卷积神经网络在图像处理领域使用得十分广泛，原因在于CNN能够在一定程度上保持图像平移、缩放和扭曲不变性。 一个卷积神经网络通常由以下几个部分组成：输入层、卷积层、池化层、全连接层、输出层，在卷积层后面通常还会有激活函数。其中最为核心的部分是卷积层。在对图像处理时为了保证一定的效率，通常将多个卷积网络进行叠加。 卷积层的作用是提取一个局部区域的特征，不同的卷积核相当于不同的特征提取器。 池化层称为汇聚层和子采样层，起作用是进行特征的选择，减低特征的数量，并从而减少参数数量。常见的池化方法有最大池化和平均池化两种。

转载于:https://www.cnblogs.com/guibin180517/p/11104863.html