初学卷积神经网络

CNN 的价值：

1. 能够将大数据量的图片有效的降维成小数据量(并不影响结果)
2. 能够保留图片的特征，类似人类的视觉原理

CNN 的基本原理：

1. 卷积层 — 主要作用是保留图片的特征
2. 池化层 — 主要作用是把数据降维，可以有效的避免过拟合
3. 全连接层 — 根据不同任务输出我们想要的结果

CNN 的实际应用：

1. 图片分类、检索
2. 目标定位检测
3. 目标分割
4. 人脸识别
5. 骨骼识别

卷积 — — 提取特征

卷积层的运算过程如下图，用一个卷积核扫完整张图片：

池化层（下采样） — — 数据降维，避免过拟合

池化层简单说就是下采样，他可以大大降低数据的维度。其过程如下：

 

全连接层 — — 输出结果

这个部分就是最后一步了，经过卷积层和池化层处理过的数据输入到全连接层，得到最终想要的结果。

经过卷积层和池化层降维过的数据，全连接层才能”跑得动”，不然数据量太大，计算成本高，效率低下。