搭建卷积神经网络怎么确定参数_AI入门：卷积神经网络

讲到AI不得不讲深度学习，而讲到深度学习，又不能不讲卷积神经网络。如果把深度学习比作中国的互联网界，那卷积神经网络和循环神经网络就是腾讯和阿里级别的地位。今天我们主要讨论的卷积神经网络，到底卷积神经网络能解决什么问题，它的结构是怎样的？是怎么学习的？应用在哪些具体的产品上？本文将为大家一一解答。

如果对深度学习还不了解的同学，建议你先看下之前的文章《深度学习到底有多深？》，对深度学习有一定的认知，对接来了的讨论可能会更容易理解。

以下是本文讨论内容的大纲：

下文的卷积神经网络，我们用简称CNN表示。

01 为什么需要用到CNN？

1. 普通的神经网络会遇到什么问题？

假设我们要做图像识别，把一张图片丢到机器，机器能理解的就是每个像素点的值，如下图：

我们在搭建好神经网络模型之后，需要做的就是用数据训练，最终需要确定的是每一个神经元参数w和b，这样我们就可以确定模型了。

假设我们输入的是50*50像素的图片(图片已经很小了)，这依然有2500个像素点，而我们生活中基本都是RGB彩色图像，有三个通道，那么加起来就有2500*3=7500个像素点。

如果用普通的全连接，深度比较深时，那需要确认的参数太多了，对于计算机的计算能力，和训练模型来说都是比较困难一件事。

因此，普通神经网络的问题是：需要确认的参数太多。

那CNN是怎么解决这个问题的呢