卷积神经网络

卷积神经网络（Convolution Neural Network，CNN）

一般用于图像识别

步骤

主要步骤是：

卷积层 + 池化层 + 卷积层 + 池化层 + 全连接层

卷积层

一个卷积核就有是一个神经元

一个卷积核就会得到一张卷积后的图像

图中有两个卷积核：卷积核1、卷积核2

图中只计算了卷积核1的卷积结果，就是右下角粉红色的矩阵

池化层

池化层（pooling）就是下采样subsampling

就是把大图像变小

常用的有max pooling和average pooling

全连接层

全连接层（fully connected network）

就是把最后卷积池化得到的很多小图像平铺成一列，然后用最普通的全连接神经网络进行分类。

全连接就是最普通的那种神经网络，这个神经网络的输入就是平铺得到的列向量，如上图的最右边所示

最普通的神经网络，上一层节点与下一层节点两两连接，即全连接：

当然了，最后的也可以不用全连接神经网络去分类，可以用支持向量机、决策树之类的其他分类器去分类。

卷积神经网络关键在于卷积，用于特征提取、