卷积神经网络
卷积神经网络
发展卷积神经网络的额初衷是进行图像分类。图像主要有如下3个特性：
- 多层次结构： 如边缘组成眼睛，眼睛和鼻子等组成脸，脸和身体等组成人。
- 特征局部性： 如眼睛就局限在一个小区域，提取眼睛特征时，只需根据这个小区域的像素提取即可。
- 平移不变性： 如不管眼睛在图像哪个位置，特征提取器都需提取眼睛特征。根据图像的这3个特性，卷积神经网络引入特有的先验知识知识——深度网络、局部连接和参数共享。
局部连接
在常规神经网络中，每个神经元都与前一层中的所有神经元连接(全连接)，但是神经元连接方式在图像分类中既不现实也没有必要。因为，在全连接方式下，权重的数量可能达千万量级甚至亿级，大量的参数不仅会延长训练过程，还会导致网络产生过拟合，除此之外，存储大量权重还需要消耗大量内存。 根据特征局部性，如果某个神经元需要提取眼睛特征，则只需要针对眼睛所在的局部区域内的像素进行特征提取，不需要提取眼睛区域外的信息，所以该神经元只需与眼睛区域进行局部连接。
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。局部连接上面这一段写的不够准确，待改进。
参数共享
在图像分类中，同一个物体可能会在图像的不同位置出现，例如人脸会出现在图像的任意位置，神经元必须对人脸的位置不敏感。而识别不同位置人脸的不同神经元，采用的权重应该是相对的。因为神经元学习是先通过权重和像素进行内积，再进行非线性激活实现的。这些神经元共享相同的参数，这就是参数共享。
还缺少平移不变性，待改进。
卷积神经元的组织方式
要提取图像的特征，必须有大量的神经元，它们从观察输入的同一局部区域提取不同特征。这些神经元的组织方式必然是三维：高度、宽度和深度。高度和宽度决定神经元的空间尺寸，深度决定了对输入区域提取特征的维度(每个神经元)提取一个特征。例如，将车牌图像作为输入，
更多精彩
