deep learning 深度學習演算法（總稱）。
cnn 卷積神經網路 cnn是深度學習演算法在影象處理領域的乙個應用。
第一點，不必將deep learning 和cnn當做很了不起的東西，在實際應用中仍可以將它當做乙個分類器或者黑盒子來使用它。
第二點，deep learning 強大的地方就是可以把 深度學習網路 中的 某一層 的 輸出 當做是 資料的另一種表達形式，即：通過神經網路學習到的特徵。基於此特徵，可以在網路的下一層進行進一步的處理，如 相似度比較 等等
第三點：deep learn演算法的成功率與資料的規模是成正比的，因此每個deep learn都有眾多的引數，少量資料無法將引數訓練充分。
cnn 卷積神經網路 的結構：cnn的基本結構包括兩層，其一為特徵提取層，每個神經元的輸入與前一層的區域性接受域相連，並提取該區域性的特徵。一旦該區域性特徵被提取後，它與其他特徵間的位置關係也隨之確定下來，其二是特徵對映層，網路的每個計算層由多個特徵對映組成，每個特徵對映是乙個平面，平面上所有的神經元的權值相當。特徵對映結構採用影響函式核小的sigmoid函式作為卷積網路的啟用函式，使得特徵對映具有位移不變性。此外，由於乙個對映面上的神經元共享權值，因而減少了網路自由引數的個數。
卷積神經網路中的每乙個卷積層都緊跟著乙個用來求區域性平均與二次提取的計算層，這種特有的兩次特徵提取結構減小了特徵解析度。
cnn 卷積網路 的用途：cnn主要用來識別位移，縮放，以及其他形式扭曲不變性的二維圖形。由於cnn的特徵檢測層通過訓練資料進行學習，
所以在使用cnn時，避免了顯示的特徵抽取，而隱式地從訓練資料中進行學習，再者由於同一特徵對映面上的神經元權值相同，所以網路
可以並行學習，這也是卷積網路相對於神經元彼此相連網路的一大優勢。卷積神經網路以其區域性權值共享的特殊結構在語音識別和影象處理方面有著
獨特的優越性，其布局更接近於實際的生物神經網路，權值共享降低了網路的複雜性，特別是多維輸入向量的影象可以直接輸入網路這一特點
避免了特徵提取和分類過程中資料重建的複雜度。
參考資料：
量子資訊（科普向）
量子是離散變化的最小單元 離散變化 統計人數只能乙個兩個，不能半個，此時乙個人就是乙個量子 沒有某種專門的粒子叫量子，不同語境對應不同的粒子 離散變化是微觀世界的乙個本質特徵，從而創立了 量子力學 用來準確描述微觀世界的物理學理論，之前傳統的牛頓力學被稱為 經典力學 量子力學和相對論是二十世紀的兩大...
深度學習 秒懂人臉識別，適合科普
常見的業務場景 安檢 打卡 刷臉支付等需要基於人臉進行身份識別的場合。當然，身份識別除了人臉識別外還包括指紋識別 虹膜識別等。便捷 生物特徵，不像身份證等需要攜帶 非強制 不需要物件配合，拍攝到人臉即可，這一點是其能夠在安防領域發揮作用的重要原因 非接觸 無需與裝置直接接觸，避免傳染病等 檢測出中人...
什麼叫做神經網路（科普向）
本文寫於 2020 年 12 月 11 日 之前講了什麼叫做機器學習，不理解的可以移步 什麼叫做機器學習 神經網路的最重要用途就是 classification。對於我們人來說，前面跑過的四腳獸是貓還是狗 是狼還是虎，我們都可以判斷出來 一般 我們雖然沒有 清楚人腦究竟是怎麼思考的，可是簡化出了 神...