【卷积神经网络】—— 卷积神经网络介绍及案例

深层的神经网络

深度学习网络与更常见的单一隐藏层神经网络的区别在于深度，深度学习网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征。随着神经网络深度增加，节点所能识别的特征也就越来越复杂。

卷积神经网络介绍：一文让你理解什么是卷积神经网络 - 简书

卷积神经网络

1、卷积神经网络的层级结构

• 数据输入层/ Input layer
• 卷积计算层/ CONV layer
• ReLU激励层 / ReLU layer
• 池化层 / Pooling layer
• 全连接层 / FC layer

全连接神经网络的缺点：

1、参数太多，在cifar-10的数据集中，只有32*32*3，就会有这么多权重，如果说更大的图片，比如200*200*3就需要120000多个，这完全是浪费

2、没有利用像素之间的位置信息，对于图像识别任务来说，每个像素与周围的像素都是联系比较紧密的。

3、层数限制（层数多了，反而可能效果不好）

神经网络的基本组成包括输入层、隐藏层、输出层