卷积神经网络（CNN）和Faster-RCNN的理解

一、卷积神经网络（convolutional neural network，CNN）

1）定义

　　维基百科中的定义：CNN是一种前馈神经网络（Feedforward Neural Network），在它内部，参数从输入层向输出层单向传播，它和递归神经网络RNN不同，因为它不会形成环），它的人工神经元可以相应一部分覆盖范围内的周围单元，对于大型的图像处理有出色表现。

　　在卷积神经网络（CNN）中，卷积层的神经元只与前一层的部分神经元节点相连，卷积层的神经元只与前一层的部分神经元节点相连，即它的神经元间的连接是非全连接的，且同一层中某些神经元之间的连接的权重w和偏移b是共享的（即相同的），这样大量减少了需要训练参数的数量。

卷积神经网络CNN的结构一般包含这几个层：

输入层（用于数据的输入）、卷积层（使用卷积核进行特征提取和特征映射）、激励层（由于卷积也是一种线性运算，因此需要增加非线性映射）、池化层（进行采样，对特征图稀疏处理，减少数据运算量）、全连接层（通常在CNN的尾部进行重新拟合，减少特征信息的损失）、输出层（用于输入结果）

 

参考链接：

https://blog.csdn.net/cxmscb/article/details/71023576

 

转载于:https://www.cnblogs.com/BlueBlue-Sky/p/9141210.html