卷积神经网络（CNN）网络结构及模型原理介绍

概述

本篇内容仅介绍卷积层，池化层等网络结构部分和构建原理，以及卷积的一些前提知识。全连接层的内容和分类模型及损失函数的构建优化和全连接神经网络相同，这里不再讲解。

神经网络模型构建及算法介绍：https://blog.csdn.net/stephon_100/article/details/125452961

卷积神经网络是一种深层前馈神经网络．用不同的卷积核对同一个图像进行卷积其实就是用卷积核对图像进行滤波以提取不同的特征。

所以卷积神经网络模型也是自动提取特征的模型，附带分类功能。

假设卷积层的输入神经元个数为M，卷积大小为K,步长为S，在输入两端各 填补P个0，那么该卷积层的神经元数量为(M - K + 2P)/S+1

通常可以通过选择合 适的卷积大小以及步长来使得为整数．

 

主要内容：

卷积神经网络（Convolutional Neural Network，CNN或ConvNet）是一种 具有局部连接、权重共享等特性的深层前馈神经网络．

卷积神经网络最早主要是用来处理图像信息．在用全连接前馈网络来处理 图像时，会存在以下两个问题：

（1）参数太多：如果输入图像大小为100 × 100 × 3（即图像高度为100，宽 度为 100 以及 RGB 3 个颜色通道），在全连接前馈网络中，第一个隐藏层的每个 神经元到输入层都有 100 × 100 × 3 = 30 000 个互相独立的连接，每个连接都对 应一个权重参数．随着隐藏层神经元数量的增多，参数的规模也会急剧增加．这 会导致整个神经网络的训练效率非常低，也很容易出现过拟合．

（2） 局部不变性特征：自然图像中的物体都具有局部不变性特征，比如尺 度缩放、平移、旋转等操作不影响其语义信息．而全连接前馈网络很难提取这些 局部不变性特征，一般需要进行数据增强来提高性能．

全连接层一般在卷积 网络的最末层． 卷积神经网络有三个结构上的特性：局部连接、权重共享以及汇聚．