卷积神经网络在计算机视觉领域大放异彩的原因

本文重点

卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理图像数据的深度学习模型，其在图像识别、物体检测、人脸识别等领域取得了非常好的效果。

简单的神经网络为什么不好处理图片数据？

计算机视觉处理的是图片，那么就会面临数据非常大的情况。比如一张图片如果是64*64的，那么它的数据量就是64×64×3，因为每张图片都有 3 个颜色通道。那么图片的特征向量维度为 12288。

64×64还是比较小的，如果操作更大的图片，比如一张 1000×1000 的图片，那么特征向量的维度达到了 1000×1000×3，因为有 3 个 RGB 通道，所以数字将会是 300 万。

如果特征维度为300万，那么我们的神经网络需要300万个输入，如果神经网络的隐藏层有1000个隐藏单元，那么输入层和第一个隐藏层之间的参数矩阵的大小是会有 30亿个参数，仅仅输入层和隐藏层之间就有30亿个参数。在参数如此大量的情况下，难以获得足够的数据来防止神经网络发生过拟合，而且还存在巨大的内存压力。

 

卷积神经网络

针对于传统神经网络处理图片数据的不足之处，卷积神经网络进行了如下进化：

1、 局部连接和权值共享

卷积神经网络的核心是卷积层，卷积层通过局部连接和权值共享的方式，实现了对图像的特征提取。在传统的神经网络中，每个神经元都与上一层的所有神经元相连，这样的连接方式会导