卷积神经网络

• 卷积神经网络用于计算机视觉（人工智能的一个分支，即告诉计算机如何理解图像），如人脸识别，自动驾驶，美图秀秀
• 卷积神经网络还能处理音频，文本等，只要数据能变成图像格式它都能够处理。
• 是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。
• 产生原因：传统神经网络对于输入的数据X（X视为矩阵）维数太高，如果是一张32x32的灰度图片，一个神经元的权重w就需要32x32，假设需要20个神经元，则权重W（W视为矩阵）的参数个数就是32x32x20=20480个，显示图片的维度不可能是32，可能是上千，那么W的个数就很容易到上亿，这显然太大了！所以我们需要一种可以显著降低计算量的机制，因此CNN诞生
• 通俗来讲卷积神经网络就相当于一个黑箱，有输入和输出，输入的就是图片，输出的就是图片是什么

• 由四部分组成
  • 输入层，卷积层，池化层，全连接层
• 神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer)以及激活层。       每一层的作用：
  • 卷积层：通过在原始图像上平移来提取特征
  • 激活层：增加非线性分割能力
  • 池化层：压缩数据和参数的量，减小过拟合，降低网络的复杂度，（最大池化和平均池化）
  • 为了能够达到分类效果，还会有一个全连接层(FC)也就是最后的输出层，计算损失进行分类（或回归）。
  <