本章節將介紹一種全新結構的神經網路—卷積神經網路(convolutional neural network，cnn),它是一種前饋神經網路，可以應用到很多場合，比如影象處理，自然語言處理，災難氣候**等等，但是最主要還是應用在影象領用，近幾年來在自然語言處理方面，cnn也應用得越來越多。
卷積神經網路結構主要包括：卷積層(convolutional layer)和池化層(pooling layer)。
全連線神經網路和卷積神經網路的對比；左圖：全連線神經網路(平面),組成：輸入層、啟用函式、輸出層；右圖：卷積神經網路(立體),組成：輸入層、卷積層、啟用函式、池化層、全連線層
在本節當中，我們先為大家講一下卷積操作。卷積神經網路又稱為卷積網路，是一種專門來處理具有類似網路結構的資料的神經網路，」卷積」一詞表明這種網路結構使用了卷積操作，卷積是一種特殊的線性運算，用來替代一般的矩陣乘法運算。簡單來說，就是用濾波器(filter)將相鄰畫素之間的「輪廓」過濾出來。
濾波器是如何工作的呢？如下圖所示，乙個6x6的被乙個3x3的濾波器卷積的結果：
卷積操作的過程
我們可以看到上圖，3x3的濾波器先和左邊最上角的3x3矩陣卷積得到第乙個結果-5 放入右邊的結果當中，然後濾波器向右滑動乙個位置繼續做卷積，直到全部過濾完成，輸出乙個4x4的矩陣。
此外，在卷積操作當中，有兩個常用的技術：padding(填充)和stride(步長)
填充(padding)
上面的例子中我們用3x3的濾波器把6x6的過濾之後輸出了乙個4x4的， 如果我們想要輸出的和輸入的保持一樣的尺寸怎麼辦？這個時候我們可以用到邊緣填充(padding)技術，下圖就是用0在原來的輸入上填充了一圈。
這樣一來我們的輸入大小=輸出大小，上圖的p=padding=1,意思就是用乙個1畫素的額外邊緣填充一圈，計算公式則變成了：[(n+2p)x(n+2p)]* (fxf)=[(n+2p-f+1)x(n+2p-f+1)]
步長(stride)
上面提到我們用3x3的濾波器去卷積的時候，是一步一步的去滑動最終將整個，實際上我們可以控制滑動的步伐，這個滑動的步伐大小就叫做步長(stride)。stride 的想法是改變卷積核的移動步長跳過一些畫素。stride 是 1 表示卷積核滑過每乙個相距是 1 的畫素，是最基本的單步滑動，作為標準卷積模式。stride 是 2 表示卷積核的移動步長是 2，跳過相鄰畫素，影象縮小為原來的 1/2。stride 是 3 表示卷積核的移動步長是 3，跳過 2 個相鄰畫素，影象縮小為原來的 1/3。
(n+2p-f)/s+1 x (n+2p-f)/s +1
ps:當(n+2p-f)/s除不盡的時候，採取向下取整的方式
總結本節我們對cnn進行了乙個簡單的介紹，以及闡述了其最基本的卷積操作，包括填充和步長這兩個操作。
卷積神經網路介紹
在深度學習出現之前，我們必須借助sift，hog等演算法提取具有良好區分性的特徵，再集合svm等機器學習演算法進行影象識別。sift對一定程度內的縮放 平移 旋轉 視角改變 亮度調整等畸變，都具有不變性。cnn作為乙個深度學習架構被提出的最初訴求，是降低對影象資料 預處理的 要求，以及避免複雜可以的...
卷積神經網路介紹
本文由 翻譯並自行補充而來。cnn是ai發展中最令人振奮的進步之一，早期由yann lecun等人提出。卷積神經網路在2012年被krizhevsky開創性的推廣下，在計算機視覺領域取得了廣泛的成果，並且已經取代了傳統的影象處理技術，成為解決計算機視覺問題的最新技術。cnn也正在被研究和應用於其他領...
卷積神經網路介紹
卷積層是卷積神經網路的核心基石。在影象識別裡我們提到的卷積是二維卷積，即離散二維濾波器 也稱作卷積核 與二維影象做卷積操作，簡單的講是二維濾波器滑動到二維影象上所有位置，並在每個位置上與該畫素點及其領域畫素點做內積。卷積操作被廣泛應用與影象處理領域，不同卷積核可以提取不同的特徵，例如邊沿 線性 角等...