卷积神经网络的基本结构和功能

---

1、简述卷积神经网络的结构

---

卷积神经网络的结构如下：

1．

输入层是整个神经网络的输入。 在处理图像的卷积神经网络中，一般表示图像的像素数组。

2.

从名字就可以看出，卷积层是卷积神经网络最重要的部分。 卷积层中每个节点的输入与传统的全连接层不同，只是神经网络前一层的一小部分，而这一小块的大小为3*3或5*5。

3.池化层。

池化层神经网络不会改变3D矩阵的深度，但可以减小矩阵的大小。 拼接过程可以被认为是将较高分辨率的图像转换为较低分辨率的图像。

4.全连接层。

经过多轮卷积层和池化层之后，在卷积神经网络的末端，通常会有一到两个全连接层来给出最终的分类结果。 经过几轮卷积层和池化层，可以认为图像中的信息已经被归纳为信息含量较高的特征。

5.Softmax层。

Softmax层主要用来解决分类问题。 经过Softmax层后，就可以得到当前样本中不同类型的概率分布。

卷积神经网络简介：

卷积神经网络是卷积神经网络的一种，包含卷积计算，具有深层结构。 表征学习算法。 卷积神经网络具有表示学习能力，可以根据其层次结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。

卷积神经网络的研究始于20世纪80年代和90年代，延时网络和LeNet-5是21世纪后最古老的卷积神经网络之一，其深度伴随着学习理论引入随着数字计算备和学习技术的提高，卷积神经网络得到迅速发展，并已应用于计算机视觉、自然语言处理等领域。

卷积神经网络是为了模仿生物体的视觉感知机制而创建的，可以进行监督学习和无监督学习。 卷积神经网络可以用少量的数据来学习像素和声音等网络特征。 计算量大，效果稳定，对数据没有额外的数据工程要求。

---

2、卷积神经网络的结构

---

卷积神经网络的基本结构由以下部分组成：输入层、卷积层、池化层、激活函数层、全连接层。

卷积神经网络（CNN）是前馈神经网络（FeedforwardNeuralNetworks）的一种，包含卷积计算并具有深层结构。 它是深度学习的代表性算法之一。

卷积神经网络具有表示学习能力，能够根据其层次结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”（Shift-InvariantArtificialNeuralNetworks，SIANN）”。

卷积神经网络的研究始于20世纪80年代和1990年代。 延迟网络和LeNet-5是20年代第一个卷积神经网络的介绍随着深度学习理论的发展和数值计算设备的改进，卷积神经网络迅速发展并应用于计算机视觉和自然语言处理等领域

卷积神经网络是为了模仿生物机制而建立的。 视觉感知，可以进行监督和无监督学习。 隐藏层中卷积核参数的共享以及层间连接的稀疏性使得卷积神经网络能够以少量的计算量实现网格拓扑特征。

连接性

卷积神经网络中卷积层之间的连接称为稀疏连接，即相比于神经网络中的完全前馈连接后，卷积层中的神经元仅与相邻层中的部分而非全部神经元连接。

具体来说，卷积神经网络第l层特征图中的任何像素只是第l-1层卷积核定义的感受野中像素的线性组合。 卷积神经网络的稀疏连接具有则化作用，提高了网络结构的稳定性和泛化能力，避免过拟合。