卷积神经网络（CNN）学习笔记

1.什么是卷积神经网络？

卷积神经网络是神经网络的其中一种，神经网络能够类似人一样具有简单的决定能力和简单的判断能力，在图像和语音识别方面能够给出更好的结果。

2.卷积神经网络应用领域

最早将CNN用于手写数字识别并一直保持了其在该问题的霸主地位。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。

3.卷积神经原理

CNN的结构

CNN的结构分为三层：
卷积层(Convolutional Layer) - 主要作用是提取特征。
池化层(Max Pooling Layer) - 主要作用是下采样(downsampling)，却不会损坏识别结果。
全连接层(Fully Connected Layer) - 主要作用是分类。

4.卷积的特征值计算方法

5.步长&填充 大小 与输入输出大小的关系

卷积核的Size代表感受野的大小，卷积核的步长度代表提取的精度

步长（stride）就是卷积核在你原图上每一步移动的距离。

步长小，提取的特征会更全面，不会遗漏太多信息。但同时可能造成计算量增大，甚至过拟合等问题。

步长大，计算量会下降，但很有可能错失一些有用的特征。

步长选多少没有一套明确的标准，还是要看你输入图像的大小和卷积核的大小。

总之在计算资源够用的前提下，最好不要让你卷积核错失太多特征。