【人工智能】图文详解深度学习中的卷积神经网络（CNN）

概念和原理

为什么要使用卷积神经网络？

在讲述原理之前，我们先来解释为什么我们在图像及视频等等领域的机器学习中要使用CNN。

我们都知道，使用多层感知器，有隐藏层的深度神经网络可以帮助我们解决分类，聚合，回归问题。

但当我们的输入输出转变为高维度的数据，例如图片时，不可避免地要面临神经元过多，参数量过大的问题。

假设我们使用一张720*480的图片作为输入，一张图片对应的参数量就已经达到了345600个，如果我们单纯地将数据压为一维向量并继续使用全连接的神经网络，那不可避免的会极大增加运算成本，降低模型的效率，显然是不科学的。

同样的，对于图像而言，如果说像素点的灰度值或RGB值可以对应我们在一维数据中使用的数值，那么图像的空间性在我们将其转变为一维后实际上是被抛弃了，这会导致我们忽略了图像局部形态所包含的信息，使得一些非常轻微的平移旋转对结果产生翻天覆地的变化，这是我们不能容忍的。

对于我们来说，两个图片