CNN卷积神经网络1

       CNN卷积神经网络，包括卷积层、池化层、全连接层，其中卷积层和池化层的作用是提取信号的深层特性，全连接层是的作用是实现分类。CNN采用局部感知，权值共享和下采样的方式，一面减少使用参数量使网络易于优化，另一方面提高网络训练性能，提升分类效果。

       CNN的结构与原理：CNN是针对二维图像处理的复杂神经网络结构，与普通神经网络相比，它包含了卷积层和池化层。

       f(.)是激活函数，常用的激活函数有线性函数、双曲正切tanh函数、线性修正单元ReLU函数和Sigmoid函数等。

       将多个神经元按照一定的规律连接在一起，可以组合成不同深度的神经网络结构。下图最左边为含有三个神经元节点的输入层，中间是含有三个神经元节点的隐藏层，最右边为只含有一个神经元节点的输出层。各个节点间通过完全连接的方式进行连接。

          CNN和普通的神经网络原理类似，由若干层的神经元连接构成，这些神经元自带有可学习的权重和偏置项，通过模型训练的方式调整参数得到最优的网络结构。而CNN的网络结构更为复杂，它与普通神经网络再结构上的区别在于普通的神经网络表示的是一维神经元之间的连接，而CNN是针对二维图像的多层神经元结构，能够处理多通道的图像数据，挖掘二维数据的内在特征。CNN由3种不同类型的层构成：卷积层、池化层、全连接层。每一层均包含多个二维平面，该二维平面被称为特征图。每个特征图由矩形排列的神经元组成。CNN的核心部分是卷积层和池化层。卷积层中同一个特征图的神经元有相同的权重和偏置项，每一个神经元和上一层的一个局部区域相连。在CNN中权重称为卷积核，卷积核的作用是提取影像特征。池化层通常在卷积层之后，用于简化模型。