如上一段所述，卷積可以提取特徵，但對於真實世界當中的大規模庫，我們並不知道哪個區域性特徵有效，我們還是希望通過訓練神經網路，自動學習出來，怎麼做呢？還得用到前面學到的bp演算法，但現在的問題是卷積和神經網路有什麼關係呢？看下面兩個圖可以知道，其實卷積的運算就是相乘之後求和，和神經網路效果是一樣的。卷積核和卷積結果分別對應著神經網路中的引數和隱藏層結果。這樣就回到前面所學的bp演算法了，做法是一樣的，先初始化引數，再通過訓練使得誤差越來越小。
更多請見：
卷積神經網路和神經網路
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...
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...