卷积神经网络的主要思路
- 局部连接 每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连。这样就减少了很多参数。
- 权值共享 一组连接可以共享同一个权重，而不是每个连接有一个不同的权重。
- 下采样 可以使用Pooling来减少每层的样本数，进一步减少参数数量，同时还可以提升模型的鲁棒性(robust)
卷积神经网络结构
下图是一个卷积神经网络结构的示意图，图片来源参考资料1。
从上图可以看出一个卷积神经网络由若干个卷积层、Pooling层、全连接层组成。其架构模式：
INPUT —> [[CONV] * N —> POOL?] * M ----> [FC] * K
n个卷积层叠加然后叠加一个Pooling层（可选项），重复这个结构m次，最后叠加k个全连接层最后形成一个完整的卷积网络。
通过上图来详细分析一下卷积神经网络，我们的input是一个三维的数据，其中它的深度是1，假设它是一张灰度的image，通过卷积操作得到三个Feature Map（也称作三个通道），这是因为它有三个Filters（卷积核），几个Filter是由我们自己定义的，是一个超参数。然后通过下采样（Pooling）得到三个更小的Feature Map。Pooling的方法有最大下采样和均值下采样。然后对这得到的三个Feature Map再做一次卷积操作。可以看到后面得到5个Feature Map，这是因为这一层卷积层有5个Filter，将上一层的三个Feature Map作为input和Filter进行卷积操作合成一个Feature Map，因此5个Filter最后得到5个Feature Map，然后再对这5个Feature Map下采样，最后进过全连接层得到output。
至于神经网络的训练计算和数学原理零基础入门深度学习(3) - 神经网络和反向传播算法介绍的非常清楚。有兴趣的同学可以去深入阅读。