CNN(卷积神经网络)是什么？原理/作用和实现方法。

转载整理自机器之心发布于知乎的答案点击打开链接，侵删！

深度 | 从入门到精通：卷积神经网络初学者指南点击打开链接

              作者：Adit Deshpande              机器之心编译            参与：牛春雨、Quantum、原野、吴攀、李亚洲                        

这是一篇向初学者讲解卷积神经网络的系列文章，机器之心编译了已经发表了的 Part 1 和 Part 2

                                                                        Part 1：图像识别任务

介绍

问题空间

输入与输出

我们想要计算机做什么

生物学连接

结构：详细的 CNN 工作概述指的是你挑一张图像，让它历经一系列卷积层、非线性层（ReLU）、池化（下采样（downsampling））层和完全连接层，最终得到输出。

第一层——数学部分

第一层——高层次角度

网络中的更深处：一个典型的 CNN 结构看起来是这样的：

输入→卷积→ReLU→卷积→ReLU→池化→ReLU→卷积→ReLU→池化→全连接

完全连接层

训练（也就是：什么能让其有效）

测试

企业如何使用 CNN

------------------------------------------------------------------------------------------

                                                                            Part 2：卷积神经网络中的部分问题

步幅（stride）和填充(padding)

如果你的步幅(stride)为 1，而且把零填充(zero padding)设置为:

其中K 是过滤器尺寸，那么输入和输出内容就总能保持一致的空间维度。

----------------------------------------

计算任意给定卷积层的输出的大小的公式是

其中 O 是输出尺寸，W是输入尺寸，K 是过滤器（filter）尺寸，P 是填充，S 是步幅。

选择超参数

ReLU（修正线性单元）层

池化层

Dropout 层

网络层中的网络

分类、定位、检测、分割