对卷积神经网络CNN的理解，一文读懂卷积神经网络

什么是神经网络？

神经网络ANN全称为（artificial neutral network），也就是人工神经网络，是一种仿人类神经网络原理构造的一种计算机模型。

主要由：输入，权重，激活函数来构成一个简单的神经元模型。在这里面，最重要的便是激活函数，激活函数决定了信息能否成功传输或者激发。就相当于从一个神经元传输向下一个神经元的过程。

并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。

卷积神经网络?

卷积神经网络，可以理解为一种特殊的人工神经网络。

卷积神经网络是基于动物视觉感受野设计而成。由卷积层、池化层和全连接层构成。通常用于图像分析。

两者有什么区别呢？

人工神经网络中，每一层都是全连接的，假如输入是一幅100010001 的图像，则输入层与隐层某一个节点将有10001000 个权重需要训练，这会导致训练困难。

而卷积神经网络的卷积层每个节点与上一层某个区域通过卷积核连接，而与这块区域以外的区域无连接。同样对于一副100010001的图像，采用1010的卷积核，那么卷积层每个节点只需要训练100个节点；假若卷积核在图像上扫描的步长为1个像素，则卷积层需要991*991个节点，若每个节点对应不同的卷积核，则需要训练的参数依然是一个天文数字。

为此，卷积神经网络提出了权值共享概念，即同一个卷积层内，所有神经元的权值是相同的，也就是用同一个卷积核生成卷积层上的所有节点。因此对于上面的训练，只需要训练100个权重。

卷积神经网络有什么用？

首先理解一下卷积神经网络的原理。卷积神经网络，通过类似人类视觉的原理，把数据只保留少量关键特征，以降低学习和训练成本。

如上图示，如果我们是一张2000*2000像素的图片，和一张20*20像素的图片，放大缩小后并不影响关键特征的提取和对比。也并不影响我们判断图像就是一张超级玛丽的图片。

比如上面的这张图片，简化后，保留了关键信息，我们依然能够辨别出来这是什么东西。

那么如何做呢？

如上面图示，在经过处理后，左侧图片的特征值就得到了。简单说，就是用一个卷积核（也可以叫过滤器）扫描完整的整张图片，保留主要特征。当然这些在计算机中，都是以数字形式呈现的。这部分的工作，也叫卷积层。

处理效果可以参考上图。这部分需要注意的是，一个卷积核一般只收集一种特征，如果想要表示多种特征，那就需要 有多个卷积核。

卷积层之后，便是池化层，也叫汇聚层。卷积层相当于减少了不同神经元之间连接的数量，但神经元的个数并没有显著减少。这时候就需要池化层参与了，这部分的作用就是降低特征维度，避免过拟合现象。

最后一步，便是全连接层，输出结果。经过卷积层和池化处理过的数据后，再输入全连接层，得到最终的结果。这样一系列操作后，数据量大幅下降，效率大幅提升，计算成本也大幅降低。这样全连接才能“撑得起”。

在哪些地方能用到？

以上为cnn神经网络全部介绍