深度学习常见的基本概念整理
卷积神经网络（CNN） 具有局部互联、权值共享、下采样（池化）和使用多个卷积层的特点。使用多个卷积层 能够提取更深层次的特征，组合特征实现从低级到高级、局部到整体的特征提取。
卷积神经网络
卷积神经网络（CNN）是一种深度学习算法，特别擅长处理图像和视频数据。它通过模拟生物视觉系统的方式，利用卷积层、池化层等多层网络结构自动提取图像中的特征，进行分类、识别和预测。CNN被广泛应用于计算机视觉任务，如图像分类、人脸识别、物体检测等，已成为深度学习领域的重要模型之一。
卷积神经网络初探
将神经网络应用于大图像时，输入可能有上百万个维度，如果输入层和隐含层进行“全连接”，需要训练的参数将会非常多。如果构建一个“部分联通”网络，每个隐含单元仅仅只能连接输入单元的一部分，参数数量会显著下降。卷积神经网络就是基于这个原理而构建的。
卷积神经网络是如何实现不变性特征提取的
传统的图像特征提取（特征工程）主要是基于各种先验模型，通过提取图像关键点、生成描述子特征数据、进行数据匹配或者机器学习方法对特征数据二分类/多分类实现图像的对象检测与识别。卷积神经网络通过计算机自动提取特征（表示工程）实现图像特征的提取与抽象，通过MLP实现数据的回归与分类。二者提取的特征数据都具不变性特征。
CNN卷积神经网络的构建
卷积神经网络由输入层，卷积层，激活函数，池化层，全连接层组成。卷积操作是使用一个二维的卷积核在一个批处理的图片上进行不断扫描。具体操作是将一个卷积核在每张图片上按照一个合适的尺寸在每个通道上面进行扫描。
12张动图帮你看懂卷积神经网络到底是什么
现如今，卷积神经网络在人工智能领域应用的广泛性及重要性可谓是不言而喻。为了让大家对卷积的类型有一个清晰明了的认识，可以快速概述不同类型的卷积及其好处。在这里绘制了动图，以方便大家的学习（仅关注二维卷积）。
卷积神经网络(CNN)中全连接层(FC layer)的作用
卷积层(Convolutional layer)主要是用一个采样器从输入数据中采集关键数据内容；池化层(Pooling layer)则是对卷积层结果的压缩得到更加重要的特征，同时还能有效控制过拟合。
深度卷积神经网络基本介绍
关于深度卷积神经网络的前世今生，就不在此处进行过多的介绍。在此，主要对网络的各个组成部分进行简要介绍。深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成。
直白介绍卷积神经网络（CNN）
卷积神经网络（也称作 ConvNets 或 CNN）是神经网络的一种，它在图像识别和分类等领域已被证明非常有效。 卷积神经网络除了为机器人和自动驾驶汽车的视觉助力之外，还可以成功识别人脸，物体和交通标志。
卷积神经网络中的“池化层”
池化（Pooling）是卷积神经网络中另一个重要的概念，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。
卷积神经网络中感受野的详细介绍
在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域......