卷積神經網路能很好地適用於影象處理、語音識別等複雜感知任務。
卷積神經網路的強大之處在於它的多層網路結構能自動學習輸入資料的深層特徵，不同層次的網路可以學習到不同層次的特徵。
淺層網路層感知區域較小，可以學習到輸入資料的區域性域特徵（如影象的顏色、幾何形狀等）；深層網路層具有較大的感知域，能夠學到輸入資料中更加抽象的一些特徵（如影象物體的屬性、輪廓特點、位置資訊等高維性質）。深層次的抽象特徵對影象中物體的大小、位置和方向等敏感度較低，從而大大提高了物體的識別率，因此卷積神經網路常用於影象處理領域。
卷積神經網路可以用來識別位移、縮放及物體形態扭曲的二維圖形。由於網路模型中的特徵是通過訓練資料集進行影象特徵學習，從而避免了顯示地特徵抽取。由於影象上同一特徵對映面上的神經元權值相同，所以卷積神經網路模型可以並行訓練，極大地提高神經網路的訓練時長。
傳統的影象檢測方法：邊緣檢測、輪廓檢測、區域性二值檢測、方向梯度直方圖、haar特徵檢測。
卷積神經網路主要由卷積層、下取樣層、全連線層3中網路層構成（這裡沒有包括輸入層和輸出層）
1.輸入層矩陣的大小應該可以被2整除多次
2.卷積層盡量使用小尺寸卷積核
3.卷積步長盡量不要過大（如設定步長為1可以讓空間維度的下取樣操作由pooling層負責，卷積層只負責對輸入資料進行特徵提取）
4.卷積層中應使用same padding零填充矩陣邊界
5.padding的設定與卷積核大小有關：當卷積核大小k=3（即卷積矩陣大小為33），則設定padding=1來保持卷積操作中的輸出尺寸不變性；當k=5，設定padding=2.對於任意卷積核大小k，padding=（k-1）/2能保持尺寸不變性。
6.pooling層一般使用22視窗，步長為2的max pooling操作。
7.全連線層不宜超過3層（fc<=3）
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...