Understanding CNN

首先介绍BP的概念：

简单的描述就是，输入层将刺激传递给隐藏层，隐藏层通过神经元之间联系的强度（权重）和传递规则（激活函数）将刺激传到输出层，输出层整理隐藏层处理的后的刺激产生最终结果。若有正确的结果，那么将正确的结果和产生的结果进行比较，得到误差，再逆推对神经网中的链接权重进行反馈修正，从而来完成学习的过程。这就是BP神经网的反馈机制，也正是BP（Back Propagation）名字的来源：运用向后反馈的学习机制，来修正神经网中的权重，最终达到输出正确结果的目的

---

代码实现
bp神经网络及matlab实现
http://blog.csdn.net/gongxq0124/article/details/7681000

---

CNN因此可以想象成一个较为庞大的BP网络，其中的convolution layer + sigmoid 激活函数，激活了其中的有效神经元
为了减轻太多参数权重而造成的过拟合，CNN采用了权重共享和局部感受野的优化办法。

---

推荐reference：
http://blog.csdn.net/zouxy09/article/details/8781543/

http://wenku.baidu.com/link?url=a-CUvs9k9g_JYo0oxXUTZzjYMctmEQCmDdh1gE_tMLSlCPSdYLmxDSPU7e1DbBOqXp0cmvMg16zsagTzIRCsKW077cVSyRpDZ5ndPEvL3JO

http://blog.csdn.net/nan355655600/article/details/17690029

---