什么是卷积神经网络
卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它主要包括卷积层、池化层和全连接层等。相比于传统的神经网络他们在结构上具有一定的相似性，只不过卷积神经网络相较于传统神经网络来说多了一些层级
对比与传统的神经网络卷积神经网络具有如下的结构：
数据输入层
该层和传统的输入层没有过多的差别，对于图像处理来说该层主要用于对原始图像进行预处理操作：
- 去均值：把输入数据各个维度都中心化为0，其目的就是把样本的中心拉回到坐标系原点上。
- 归一化：幅度归一化到同样的范围，即减少各维度数据取值范围的差异而带来的干扰，比如，我们有两个维度的特征A和B，A范围是0到10，而B范围是0到10000，如果直接使用这两个特征是有问题的，好的做法就是归一化，即A和B的数据都变为0到1的范围。
- PCA/白化：用PCA降维；白化是对数据各个特征轴上的幅度归一化。
卷积层
该层是卷积神经网络中最重要的一个层次，我们本文所讲的卷积神经网络就来源于该层。
在卷积层中我们将每个神经元都看做是一个滤波器（filter），对于输入到卷积层的数据（假设为一张图片数据），滤波器在图片上划过最终得到一个新的特征图。
只用语言表达可能还不够直观的去理解卷积层的概念，下面用一张动态图来演示一下卷积层的工作过程：
我们知道图片是有一个一个像素点构成的，现在假设有一张5*5像素的图片（0表示白色，1表示黑色），我们将这张图片经过一个带有3*3filter的卷积层，得到新的特征图就如下所示：
看完了这张动图你可能已经大致了解了卷积层的工作过程，我们可以称该过程为一个filter滑动的过程，由于每次都移动了一个像素单位，所以对上图来说可以称它的步长为1，同时我们知道在神经网络中每一个网络层中都包含着很多的神经元，卷积层也不例外，在每个卷积层中有几个神经元我们就可以称作卷积层的深度是几。
那么思考一个问题，对于同样的一个5*5像素的图片，有一个2*2的滤波器，每次滑动的步长为2会产生怎样的后果呢？
就像这样，黄色的方块就是我们filter初始的位置，蓝色的方块是一次滑动后的位置，那么不难发现对于这个图片将会有一个维度的像素点没有被获取到，这样显然是不行的，此时就出现了填充值
我们对该图片横向纵向都填充一列像素，组成6*6的像素就可以解决这个问题，就像下图这样：
对于填充值，如果用上述动态图同样的策略来表示图片，在填充的时候我们要保证填充值为0才能保证原始图片的特征不会被改变。
激活函数
CNN采用的激励函数一般为ReLU(The Rectified Linear Unit/修正线性单元)，它的特点是收敛快，求梯度简单，但较脆弱，图像如下。
池化层
池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。
简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。
池化层主要有以下的作用
1. 特征不变性，也就是我们在图像处理中经常提到的特征的尺度不变性，池化操作就是图像的resize，平时一张狗的图像被缩小了一倍我们还能认出这是一张狗的照片，这说明这张图像中仍保留着狗最重要的特征，我们一看就能判断图像中画的是一只狗，图像压缩时去掉的信息只是一些无关紧要的信息，而留下的信息则是具有尺度不变性的特征，是最能表达图像的特征。
2. 特征降维，我们知道一幅图像含有的信息是很大的，特征也很多，但是有些信息对于我们做图像任务时没有太多用途或者有重复，我们可以把这类冗余信息去除，把最重要的特征抽取出来，这也是池化操作的一大作用。
3. 在一定程度上防止过拟合，更方便优化。
池化层通常分为最大池化和平均池化两种，具体表述如下：
全连接层
这个层是位于之前一层和激活函数之间的全连接层，两层之间所有神经元都有权重连接，通常全连接层在卷积神经网络尾部。它和神经网络是类似的。
卷积神经网络的优缺点
优点
• 共享卷积核，对高维数据处理无压力
• 无需手动选取特征，训练好权重，即得特征分类效果好
缺点
• 需要调参，需要大样本量，训练最好要GPU
• 物理含义不明确
