神经网络与深度学习笔记——卷积神经网络的原理

神经网络与深度学习笔记系列一共有五个专题，分别是
第一章使用神经网络识别手写数字——梯度下降算法是什么。主要介绍了神经网络的基础例如感知器激活函数等概念，最主要介绍了梯度下降算法。
第二章反向传播算法如何工作——反向传播算法原理。主要介绍了反向传播算法的工作原理。

第三章改变神经网络的学习方法——代价函数，规范化，过拟合。主要介绍了不同的代价函数，以及规范化等对传统代价函数的改造。

第四章深度神经网络为何难以训练——梯度消失和爆炸。主要介绍了梯度消失问题和梯度爆炸问题。

第五章深度学习

5.1卷积神经网络的原理

    卷积神经网络（Convolutional Neural Networks, CNN）是一种特别适应于识别图像的网络结构，它包括局部感受野（local receptive fields），共享权重（shared weights）和池化层（pooling）。

    局部感受野：和全连接网络不同同，对于卷积神经网络，网络的输入是图像&