CNN卷积神经网络是什么？
CNN卷积神经网络
CNN可以看作一个黑箱，输入一个表示图片的矩阵，CNN处理后，回传一个数据，如这个图像是什么
卷积神经网络可以分为5层
分别是： 数据接受层：对图像进行预处理，如灰度化 卷积层：是卷积神经网络的核心，通过卷积核对图像矩阵进行卷积运算，来提取图像的特征 激活层：参考了生物意义上的神经末梢，当传递信息大于阈值时，下一层操作才被激活 池化层：是对图像矩阵进行数据压缩，提取主要特征全连接层将上一层的任意节点与下一层的每个节点相连接
卷积运算
卷积就是一种数学运算，用于简化更复杂的表达式 当在图像上进行卷积时，从水平和竖直两个方向上进行卷积 通过卷积核对图像进行计算，简化图像，如，可将99的图像矩阵转化为33的图像矩阵，原理就是通过图像特征与卷积核比对计算，算出图像的每一部分与卷积核的相似度，实现图片变小。 即原图中包含的特征被卷积核提取出来存放在一个更小的图像矩阵中 因此，用不同的卷积核对图像进行卷积运算就能提取出不同的特征 卷积核应是图像的特征一部分，而一个图像可能有很多个特征，会导致提取出来的特征太多，因此需要进行数据压缩
池化
就是将大矩阵里面的数字，通过运算放到小矩阵里，实现数据压缩 池化有两种，最大池化和平均池化 通过将卷积运算获得的特征图像矩阵存到更小的图像矩阵中，实现池化
抹零
将池化后的图像矩阵中大于零的数不变，小于零的数置为零
上面三个即卷积，池化、抹零，可以进行多次重复
最后进行全连接
注：常见的卷积核
高斯核：进行归一化，就是卷积之后的图像矩阵每个点的值在255之内。可以用来平滑图像，就是使图像颜色过渡更平缓。可以去掉随机噪声点。 Sobel核：就是将上面的像素点-下面的像素点乘相应的权值再加起来。
上一篇：
Java架构师技术进阶路线图
下一篇：
二进制模2除法（CRC校验）