tensorflow深度学习（六）

图像识别与卷积神经网络
卷积神经网络（Convolutional Neural Network,CNN）

top-N正确率指的是图像识别算法给出前N个答案中有一个是正确的概率。

卷积神经网络的输入层就是图像的原始像素，而输出层中的每一个节点代表了不同类别的可信度。

卷积神经网络和全连接神经网络的唯一区别就在于神经网络中相邻两层的连接方式。

参数增多除了导致计算速度减慢，还容易导致过拟合问题。

一个卷积神经网络主要由以下5种结构组成：
1.输入层；
2.卷积层；
3.池化层；
4.全连接层；
5.Softmax层。

在一个卷积层中，过滤器所处理的节点矩阵的长和宽都是由人工指定的，这个节点矩阵的尺寸也被称为过滤器的 尺寸。

使用池化层既可以加快计算速度也有防止过拟合问题的作用。

所谓迁移学习，就是将一个问题上训练好的模型通过简单的调整使其适用于一个新的问题。