以下为《卷积神经网络简介》的无排版文字预览，完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。

卷积神经网络

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（Deep Learning）的代表算法之一。到21世纪后，随着深度学习理论的提出、数值计算设备的改进以及各种标准的数据集的出现，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。如今，卷积神经网络在诸多领域的应用都已经取得了不错的成绩，如图像识别、图片分类、自然语言处理、音频处理、姿势识别等。

卷积神经网络的结构和传统的神经网络有很多的相似之处：阈值、前向传播、计算残差、反向传播，直到残差收敛且满足精度需求。其基本结构包括输入层，卷积层、池某某层和全连接层以及输出层。 /

/

（两个图任选吧）

输入层

输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵。从输入层开始，卷积神经网络通过不同的神经网络结构下将上一层的三维矩阵转化为下一层的三维矩阵转化为下一层的三维矩阵，直到最后的全连接层。

卷积层

从名字就可以看出，卷积层是一个卷积神经网络中最重要的部分。卷基层实质上是通过卷积核计算后的网络层。卷积核是利用卷积层计算的重要组成部分，通过卷积层的运算，把原图像转换到超平面坐标系下，超平面能最大程度上集中同类图像。 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。 辑函数或归一化指数函数（softmax function）输出分类标签。在物体识别（object detection）问题中，输出层可设计为输出物体的中心坐标、大小和分类 。在图像语义分割中，输出层直接输出每个像素的分类结果。

基于深度学习的图像识别。

卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值（卷积核）带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池某某（pooling），通常有均值子采样（mean pooling）和最大值子采样（max pooling）两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。

卷积神经网络的特点是局部权值共享，这种特殊的功能使得卷积神经网络在图像处理上有着天然 的优势，其结构更复杂更像实际的生物神经网络，卷积神经网络避免了特征提取这一复杂过程。但卷积神经网络结构复杂不易理解，且训练时间较长。

[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]

以上为《卷积神经网络简介》的无排版文字预览，完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。