在神經網路中，每一層的每個神經元都與下一層的每個神經元相連(如下圖)， 這種連線關係叫全連線（full connected）。如果以影象識別為例，輸入就是是每個畫素點，那麼每乙個畫素點兩兩之間的關係(無論相隔多遠)，都被下一層的神經元"計算"了。
這種全連線的方法用在影象識別上面就顯得太"笨"了，因為影象識別首先得找到中各個部分的"邊緣"和"輪廓"，而"邊緣"和"輪廓"只與相鄰近的畫素們有關。
這個時候卷積神經網路(cnn)就派上用場了，卷積神經網路可以簡單地理解為，用濾波器(filter)將相鄰畫素之間的"輪廓"過濾出來。
這裡的深度是指輸出層的深度，通常有紅綠藍(rgb)三個顏色通道(channel)，那乙個濾波器也需要三層濾波器對每個顏色通道進行過濾，於是6x6x3的經過3x3x3的濾波器過濾之後最終會得到乙個4x4x1的，此時輸出層的深度就是1。
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...