卷积神经网络中的基本概念

---

前言

例如：随着人工智能的不断发展，CNN这门技术也越来越重要，很多人都开启了卷积神经网络，本文就介绍了卷积神经网络的基础概念。

---

一、CNN是什么？

卷积神经网络三个结构
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，又叫下采样层)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）。
对于卷积层，卷积层（Convolutional layer），卷积神经网络中每层卷积层由若干卷积单元(卷积核)组成，每个卷积单元的参数都是通过反向传播算法优化得到的。
卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条