在深度學習出現之前，我們必須借助sift，hog等演算法提取具有良好區分性的特徵，再集合svm等機器學習演算法進行影象識別。
sift對一定程度內的縮放、平移、旋轉、視角改變、亮度調整等畸變，都具有不變性。cnn作為乙個深度學習架構被提出的最初訴求，是降低對影象資料
預處理的 要求，以及避免複雜可以的特徵工程。cnn可以直接使用影象的原始畫素作為輸入，而不必使用sift等演算法提取特徵，減輕了使用傳統演算法如svm時必需要做的大量重複、繁瑣的資料預處理工作。
cnn的特點：
感受野： 每乙個視 覺神經元指揮處理一小塊區域的視覺影象在卷積神經網路中，第乙個卷積層會直接接受影象畫素級的輸入， 每乙個卷積操作只處理一小塊影象，進行卷積變化後再傳到後面的網路，每一層卷積（也可以說是濾波器）都會提取資料中最有效的特徵。
一般的卷積神經網路 由多個卷積層構成，每個卷積層中通常會進行如下幾個操作：
1 影象通過多個不同的卷積核的濾波，並加偏置，提取出區域性特徵，每乙個卷積核會對映出乙個新的2d影象
2 將前面卷積核的濾波輸出結果，進行非線性的啟用函式處理。目前最常見的是使用relu函式，而以前sigmoid函式用得比較多
3 對啟用函式的結果再進行池化操作（即降取樣），目前一般是使用最大池化，保留最顯著的特徵，並提公升模型的畸變容忍能力
權值共享：每個影象塊/感受野的引數都一樣，因為基本特徵都不變
卷積神經網路介紹
本文由 翻譯並自行補充而來。cnn是ai發展中最令人振奮的進步之一，早期由yann lecun等人提出。卷積神經網路在2012年被krizhevsky開創性的推廣下，在計算機視覺領域取得了廣泛的成果，並且已經取代了傳統的影象處理技術，成為解決計算機視覺問題的最新技術。cnn也正在被研究和應用於其他領...
卷積神經網路介紹
卷積層是卷積神經網路的核心基石。在影象識別裡我們提到的卷積是二維卷積，即離散二維濾波器 也稱作卷積核 與二維影象做卷積操作，簡單的講是二維濾波器滑動到二維影象上所有位置，並在每個位置上與該畫素點及其領域畫素點做內積。卷積操作被廣泛應用與影象處理領域，不同卷積核可以提取不同的特徵，例如邊沿 線性 角等...
卷積神經網路的介紹
本章節將介紹一種全新結構的神經網路 卷積神經網路 convolutional neural network，cnn 它是一種前饋神經網路，可以應用到很多場合，比如影象處理，自然語言處理，災難氣候 等等，但是最主要還是應用在影象領用，近幾年來在自然語言處理方面，cnn也應用得越來越多。卷積神經網路結構...