卷积神经网络

卷积神经网络（CNN）是深度学习（DL）模型的一种

1、在整个神经网络结构中，通常分为:卷积层、池化层、归一化层、非线性层和全连接层。
有关各层的详细作用及工作原理见博客
https://blog.csdn.net/yjl9122/article/details/70198357

2、其中有许多不易理解的名词，有关解释见博客
https://blog.csdn.net/weixin_40013463/article/details/80577738

3、卷积神经网络训练时常选择将反向传播和监督学习相结合的方式，使用梯度下降来优化网络，训练流程主要包含前向传播阶段、反向传播阶段两个阶段。其工作过程简述如下：在正向传播中，数据从输入层输入，经过隐藏层逐层提取分析之后，传播到输出层，在逐层提取的过程中，每层神经元的输出只传递给下一层的神经元[9]。到了输出层，将当前输出值和期望输出值作比较，若两者有误差不满足要求，则进行反向传播。误差信号从输出层向隐藏层进行逐层反向传播，直到传至输入层，然后按照传播的误差调整各个隐藏层的每个神经元的权重系数，一直重复这个步骤，直到收敛到误差信号的最小值，也即BP算法。

4、再次理解参考以下博主http://blog.csdn.net/hjimce/article/details/47323463

本文仅自己学习参考，供自己复习用