21_深度学习_卷积神经网络

这里介绍的卷积神经网络是一类强大的、为处理图像数据而设计的神经网络。
基于卷积神经网络结构的模型在计算机视觉领域中已经占主导地位，当今几乎所有的图像识别、对象检测或语义分割相关的问题都是以这种方法为基础。

卷积神经网络需要的参数少于全连接结构的网络，而且卷积也很容易用GPU并行计算。

卷积神经网络是机器学习利用自然图像中一些已知结构的创造性方法。

不变性

卷积神经网络将空间不变性这一概念系统化，从而基于这个模型使用较少的参数来学习有用的表示。

现在，我们归纳下帮助我们设计适合于计算机视觉的神经网络结构的想法：

1. 平移不变性（translation invariance）：不管检测对象出现在图像中的哪个位置，神经网络的前面几层应该对相同的图像区域具有相似的反映，即为“平移不变性”。
2. 局部性（locality）：神经网络的前面几层应该只探索输入图像中的局部区域，而不过度在意图像中相隔较远区域的关系，这就是“局部性”原则。最终，在后续神经网络，整个图像级别上可以集成这些局部特征用于预测。