卷積神經網路（cnn）是目前最流行的深度學習演算法之一，尤其適用於發現影象中的模式，從而識別物體、人臉和場景。直接從影象資料中學習，使用模式對影象進行分類，無需手動特徵提取。
使用cnn實現深度學習變得越來越流行的三大因素：
cnn為影象識別和模式檢測提供了乙個最佳體系架構。與gpu和平行計算的發展相結合，cnn現已成為推動自動駕駛和人臉識別新發展的一項關鍵技術。
例如，深度學習應用程式使用cnn檢查成千上萬份病理報告，從視覺上檢測癌細胞。
卷積神經網路可能有數十個甚至數百個層，每個層學習檢測影象的不同特徵。卷積層濾波器會應用到不同解析度的各個訓練影象，且每個卷積影象的輸出會用作下一層的輸入。濾波器最初可以是非常簡單的特徵，然後增加複雜度，直至可以唯一地確定目標特徵。
cnn由乙個輸入層、乙個輸出層和中間的多個隱藏層組成。
這些層執行可修改資料的操作，旨在學習特定於資料的特徵。最常見的三個層：卷積、啟用或relu以及池化。
這些操作在幾十層甚至幾百層上反覆進行，每一層都學習識別不同的特徵。
在學習完許多層中的特徵之後，cnn的架構轉移到分類。
倒數第二層是全連線層，輸出k維度的向量，其中k是網路能夠**的類數量。
cnn架構的最後一層使用分類層（如softmax）提供分類輸出。
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...