提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
前言
本人是某带专在校学生，因为对深度学习人工智能等领域比较感兴趣，所以以下的都是在网络上所学习到的关于cnn的基本概念。卷积神经网络（cnn）也是一种前馈神经网络，其特点是每层的神经元节点只响应前一层局部区域范围内的神经元（全连接 网络中每个神经元节点响应前一层的全部节点）。一个深度卷积神经网络模型通常由若干卷积层叠加若干全连接层组成，中间也包含各种非线性操作以及池化操作。卷积神经网络同样可以使用反向传播算法进行训练，相较于其他网络模型， 卷积操作的参数共享特性使得需要优化的参数数目大大缩减，提高了模型的训练效率以及可扩展性。由于卷积运算主要用于处理类网格结构的数据，因此对于时间序列以及图像数据的分析与识别具有显著优势。
卷积神经网络（CNN）
卷积神经网络（Convolutional Neural Network,CNN）主要由三部分构成：
卷积层：执行卷积操作提取底层到高层的特征，发掘出图片的“局部特性”；
池化层：通过降采样的方式，在不影响图像质量的前提下，压缩图片，减少参数；
全连接层：池化完成后，将数据“拍平”，丢到Flatten层，然后把Flatten层的输出放到全连接层里，可采用softmax对其进行分类。
1.卷积层
顾名思义，卷积神经网络（Convolutional Neural Network,CNN）的核心当然是卷积，在cnn的卷积层中有着一个个填充数字的矩阵，它们被称为卷积核，原始图片图片经过输入层后，会变为灰度或者RGB填充的矩阵，将卷积和与图片矩阵对齐，对应格子中的数字相乘后再相加，再将得到的数字填入新的矩阵，这一操作就是卷积，而卷积核在图片矩阵中每次所移动的距离被称为步长。
得到的新矩阵能反应图像的部分特征，因此被称为特征图，特征图即是卷积层的输出，也是下一次池化层的输入。设定卷积核中的数字，我们就可以得到不同的特征图，想要确定卷积核中的数字，我们可以通过训练的方式来的到。
2.池化层
卷积运算后所得到得特征图是池化层的输入。池化层可以选取图像的主要特征，常用的Maxpooling是保留窗口覆盖区域的最大值，Average Pooling则是可以选取区域平均值。特征图矩阵被池化后，参数会大量减少，减少不必要的计算，从而加快神经网络的速度。
3.全连接层
全连接层一般在网络的最后，全连接层可以将提前到的特征集合到一起，给出图片可能是某种事物的概论。
4.激活函数
因为所有层计算都是线性函数，那么不管有多少层，整体其实还是一个线性函数，其实还是一个线性函数，那么多层的意义就没有了，于是我们需要在中间加入非线性函数，让网络内部更加复杂一点， 于是就在每个节点上做手脚， 在每个节点输出数据前，先对其用一个非线性函数运算，比如sigmod或者relu函数。我们最后输出的一个类别的概率，取值范围∈[0, 1]， 且所有输出的值和为1，所以在输出层后面对输出层的所有值进行处理，公式为
总结
卷积神经网络（Convolutional Neural Network,CNN）非常擅长处理图像，正是它在各自比赛中的优异表现引领了深度学习的潮流，总而言之，了解cnn的原理对学习深度学习是很非常必要的。（卷起来！）
