目录
什么是卷积神经网络
全链接相对笨重：大胖子
参数众多：容易造成过拟合
卷积核：进行图像特征提取，源于卷积原理：求相交面积
卷积、旋积或褶积(英语：Convolution)是通过两个函数f和g生成第三个函数的一种数学运算，其本质是一种特殊的积分变换，表征函数f与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分
卷积的作用
- 特征提取：卷积可以通过滤波器提取出信号中的特征，比如边缘、纹理等。这些特征对于图像分类和识别任务非常重要。
- 降维：卷积可以通过池化操作减小图像的尺寸，从而降低数据的维度。这对于处理大规模图像和文本数据非常有用。
- 去噪：卷积可以通过滤波器去除信号中的噪声。这在信号处理和图像处理领域中非常常见，有助于提高数据的质量。
- 图像增强：卷积可以通过一些滤波器对图像进行增强，比如锐化、平滑等。这有助于提高图像的视觉效果和品质。
卷积的意义
- 模拟生物视觉：卷积操作模拟了人眼对图像进行观察、辨认的过程，因此卷积在图像处理领域应用广泛。它可以帮助我们理解人类视觉系统如何工作，并且为我们提供了一种有效的处理图像和语音的方法。
- 提升算法性能：卷积神经网络（CNN）是目前深度学习中最重要的模型之一，其基本结构就是卷积层，卷积操作在图像识别、语音识别和自然语言处理等领域提升了算法的性能。这使得卷积成为了现代机器学习和人工智能的重要组成部分。
- 数据压缩：卷积可以通过降维和滤波等操作减小数据的尺寸，从而实现数据的压缩。这对于处理大规模数据、实现数据存储和传输非常有用。
傅立叶变换最重要的应用之一就是可以将卷积方程变成两个函数的乘积形式去求解。卷积分是积分方程家族的一名重要成员。
卷积是一种积分运算，它可以用来描述线性时不变系统的输入和输出的关系：即输出可以通过输入和一个表征系统特性的函数（冲激响应函数）进行卷积运算得到。
通过卷积核减少参数
深度卷积网络
神经网络能够解决非线性问题在于加入激活函数，反之就是线性回归
ReLu函数：负数变成0；
ReLu：去除坏习惯
什么是池化：抓住主要矛盾
平均池化，最大池化
池化层：
降低维度，减少参数，避免过拟合
LeNet：梯度学习卷积
zfnet通过可视化转世了卷积神经网络各层的作用。
VGGNET采用堆积的小卷集合集替代大的卷积合，不仅能够增加角色函数的判断性还能够减少参数量。
googlenet增加了卷积神经网络的宽度，采用小卷积核1*1，降维，减少参数量；
resNet残差网络解决了网络模型的退化问题，使得神经网络可以更深。