卷积神经网络（CNN）

卷积神经网络是一种多层的神经网络，主要运用在计算机视觉领域，比如图像分类、人脸识别、物体检测、图像分割、视频分析等。

输入的图片具有长、宽、通道数这三个维度，所以往往把卷积神经网络化成立体图。之所以称为卷积网络，是因为这个网络中含有卷积层，进行了卷积操作，卷积是一种数学运算。

CNN主要由数据输入层、卷积层、激活函数层、池化层和全连接层组成，其中每层由单独的神经元组成。

卷积操作就是用一个卷积核与图片上对应的数字相乘再相加的结果。

图片经过不同的卷积操作之后产生的效果是不同的。
卷积操作的一个重要作用：不同的卷积可以提取到图片不同的特征（比如轮廓特征，表面特征，甚至更细微的特征） 

激活函数最常用的是线性整流单元（ReLu（x））        ReLU（x）=Max（x,0)         就是把特征图片上的所有负数都变为0，正数不变。

池化层：pooling淤积，汇聚。就是抓住主要矛盾，忽略次要因素。池化层把局部多个神经元的输出组合成下层单个神经元，来减少数据维度。

用数学语言来说就是在一个小矩阵中，找最大值或者是平均值，这就是所谓的最大池化或是平均池化。

卷积层后面跟着一个池化层目的是进一步放大主要特征，忽略掉几个像素的偏差。其意义不光能够降低数据维度，减少训练参数，同时还能够避免所谓的过拟合。

全连接层：它把相邻两层的神经元全部交叉相连，与传统的神经网络是一样的，其作用好比从全局出发做最终结论。 

工作过程：向CNN输入一张图片，经过多次的卷积层、激活函数层、池化层抽取到图片的特征，再把特征图片送入最后的全连接层进行最终分类。

输入层          卷积层(先局部)            激活函数层             池化层             全连接层(再整体）              输出层

                      卷积层+池化层：多层集连，对输入数据进行多尺度特征提取和深度学习。