Convolutional Neural Network，卷积神经网络，简称CNN，最近几年再次流行起来。
CNN和普通的机器学习算法有什么相同，有什么不同？
简单说，CNN=A+B，即CNN包括两个方面的功能：
A：feature extactor 特征提取器
普通的机器学习算法，比如决策树、随机森林、svm、逻辑回归/softmax等，它的输入通常就是若干个features
而CNN的输入，是图片！
我们当然可以把图像像素作为feature vector中的一个维度。但是这毕竟过于naive。往往并不怎么work。
CNN中的特征提取，是通过卷积层完成的。这里说的卷基层，包括狭义的卷积、池化（下采样）。
个人认为，我们并不一定要把CNN中的卷积层看作传统人工智能中的神经网络的改进。因为真的有点勉强：传统神经网络的输入就是一个个的feature vector，用作分类器或者回归器。CNN的输入则是图片。
B：classifier or regressor 分类器或回归器
CNN中的全连接层和输出层，这个其实是和传统的神经网络一致的：处理的输入是feature vectors，输出的是类别label或者连续的预测数值
总结
CNN = 特征提取（卷积层）+ 分类（全连接层）
其中特征提取是说，feature是学出来的，而不是“手工设计的”（比如SIFT,SURF,ORB,HOG,LBP,HSC等）
但是这里还有一个疑问：学出来的feature应该是唯一的吗？怎样的学出来的特征算是“好的特征”？我们固然可以设计不同的网络结构，来学习出不同的特征。但是怎样的特征才是好的特征？以及，我们能否从特征学习的过程中，得到一些规律，用于辅助手工设计特征？毕竟搞一个CNN的话，要大量数据或者微调，而且需要GPU，并且还是一个black box缺乏理论支持的感觉。。
有想法的请留言。欢迎吐槽。
