卷积神经网络

1. 卷积神经网络的概念

1. 1 卷积神经网络
   卷积神经网络（Convolutional Neural Network，CNN）针对全连接网络的局限做出了修正，加入了卷积层（Convolution层）和池化层（Pooling层）。CNN被广泛应用于图像识别、语音识别等各种场合，在图像识别的比赛中，基于深度学习的方法几乎都以CNN为基础（比如，AlexNet、VGGNet、Google Inception Net及微软的ResNet等）上。
2. 2 卷积神经网络结构
   通常情况下，卷积神经网络由若干个卷积层（Convolutional Layer）、激活层（Activation Layer）、池化层（Pooling Layer）及全连接层（Fully Connected Layer）组成
   

2. 卷积神经网络的组成

2. 1 卷积层
   卷积层是卷积神经网络的核心所在，通过卷积运算，达到降维处理和提取特征两个重要目的

3. 2 激活层
   激活层的作用在于将前一层的线性输出，通过非线性的激活函数进行处理，这样用以模拟任意函数，从而增强网络的表征能力。激活层常用的函数包括Sigmoid和ReLU（Rectified-Linear Unit，修正线性单元）等。

2.3 池化层
池化层称子采样层或下采样层（Subsampling Layer），作用是降低计算量，提高泛化能力。如下的示例，将44的矩阵缩小成22的矩阵输出

2.4 全连接层
这个网络层相当于多层感知机（Multi-Layer Perceptron，简称MLP），其在整个卷积神经网络中起到分类器的作用。

通过前面多个“卷积-激活-池化”层的反复处理，待处理的数据特性已有了显著提高

输入数据的维度已下降到可用传统的前馈全连接网络来处理了

全连接层输入的数据经过反复提纯过的结果，因此输出的分类品质要高得多