CNN產生的起因是為了減少神經元數目並減少計算量

卷積神經網絡的結構一般包含

• 輸入層 input layer :
  用於數據的輸入
• 卷積層 convolutional layer :
  使用卷積核進行特征提取以及特征映射
• 激勵層 active layer :
  由於卷積是線性運算，添加非線性映射
• 池化層 pooling layer :
  進行下采樣對特征圖稀疏處理，減少數據運算量
• 全連接層 dense(fully connected) layer :
  通常在CNN的尾部進行重新擬合，減少特征信息的損失

• 輸出層 output layer :
  用於輸出結果

  可能還有以下功能層

  • 歸一化層 batch normalization
    ：在CNN中對特征的歸一化
  • 切分層：對某些（圖片）數據的進行分區域的單獨學習
  • 融合層：對獨立進行特征學習的分支進行融合

卷積層中的重要概念

• local receptive fields 感受視野
• shared weights 共享權值
• stride 步長 感受視野掃描平移的長度
• pad 邊界擴充 當步長大於1時，為了掃描邊界
  特征，對邊界設為0或其他值
• Convolution kernel 卷積核
  如輸入矩陣為
  | First Header | Second Header |
  | ------------- | ------------- |
  | Content Cell | Content Cell |
  | Content Cell | Content Cell |

在CNN中，隱藏層中的神經元的感受視野比較小,
只能看到上一層的部分特征，上一層的其他特征可以通
過平移感受視野來得到同一層的其他神經元,由同
一層其他神經元來看

CNN卷積神經網絡學習