原文**
神經元：
卷積神經網路之層級結構：
conv：卷積計算層，線性乘積求和，
relu:啟用層，也就是啟用函式
pool:池化層，簡言之，就是取區域平均或最大。
fc：全連線層
cnn之卷積計算層：當我們給定乙個x的圖案，計算機為了識別出來這個圖案就是x，它會儲存一張標準的x圖案，然後把需要識別的位置圖案跟標準的x圖案進行對比，如果兩者一致，則判定位置圖案就是乙個x圖案，而當圖案有一些平移或者稍微變形的時候，為了能夠識別出來，這時候cnn是把位置圖案和標準x圖案乙個區域性乙個區域性的進行對比，而未知圖案和標準x圖案的區域性乙個乙個比對時的過程，就是卷積操作。
對影象(不同的資料視窗資料)和濾波矩陣(一組固定的權重：因為每個神經元的多個權重固定，所以又可以看做乙個恆定的濾波器filter)做內積(逐個元素相乘再求和)的操作就是所謂的卷積操作，也是卷積神經網路的名字由來，乙個神經元所對應的的一組固定權重就可以理解成乙個濾波器，不同的濾波器會得到不同的輸出資料。比如顏色深淺輪廓，相當於如果想提取影象的不同特徵，則用不同的濾波器filter。
在cnn中，濾波器filter(帶著一組固定權重的神經元)對區域性輸入資料進行卷積計算，每計算完乙個資料視窗內的區域性資料後，資料視窗不斷平滑移動，直到計算完所有資料，在這個過程中，有這麼幾個引數。
a:深度depth，神經元個數，決定輸出的depth厚度，同時代表濾波器個數
b.步長stride，決定滑動多少步可以到邊緣
c.填充值zerp-padding,在外圍邊緣補充若干圈0，方便從初始位置以步長為單位可以剛好滑動到末尾位置。通俗講就是為了總長能被步長整除。
relu激勵層：就是啟用函式，f(x) = max(0, x),relu啟用函式就是當x小於零的時候值為零，當輸入大於零時，輸出等於輸入。
池化層：池化，簡言之，就是取區域平均或最大。
全連線層：深度神經網路的最後一層往往是 全連線層+softmax(分類網路)，全連線層將權重矩陣與輸入向量相乘再加上偏執，得到分類的得分，而softmax將k個類別的得分歸一化為(0,1)的概率，
卷積神經網路筆記
一 卷積神經網路基礎 cnn是一種空間上共享引數的神經網路，它通過正向和反向傳播，自己學習識別物體。它可能有幾層網路構成，第一層是抽象層次的最底層，cnn一般把中的較小的部分識別成簡單的形狀，下一層將會上公升到更高的抽象層次，一般會識別更複雜的概念，以此類推，直至識別整個物體。cnn的學習方式 層次...
卷積神經網路筆記
卷積神經網路依舊是乙個可導的評分函式，該函式輸入為原始影象畫素，輸出是不同類別的評分。並假設輸入資料是影象，基於該假設，向結構中新增一些特有性質。常規神經網路的輸入是乙個向量，對大尺寸影象效果不好，效率低下，大量引數導致網路過擬合。神經元的各層三維排列 寬度，高度和深度 深度是指啟用函式資料體的第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...