卷积神经网络(CNN)简介

卷积神经网络是一种数据(图片,句子,音频等)特征提取的方式, 可以保留数据(图片)特征的同时降低数据量

注意: 如果数据转换为二维数据后的数据列的顺序是不允许更换的(图片,句子,音频)则可以使用卷积神经网路处理,如果可以更换(例如一般的excel统计表格中的数据列)的则不可以使用卷积处理

卷积神经网络一般包括:卷积运算(convolution)、激活函数处理ReLUs、池化(pooling)、数据被打平（全连接）为全连接层后作为特征训练。

1.卷积运算(convolution)

卷积运算使用不同的卷积核可以提取不同的特征

图片数据(灰度,或rgb等二维数据) -> 使用卷积核进行卷积运算 -> 的到卷积(二维数据)

cnn中卷积核是通过训练自动选择的

2.激活函数处理ReLUs

激活函数会对数据进行整理，把其中小于0的数据直接变为0(x>0 => x = x,  x<0 => x = 0)

3.池化(pooling)

池化是降低（缩小）数据量(卷积)并尽可能保留其特征的一种方式, 一般使用max pooling

整个过程概述:

整个过程的操作可以重复多次，层数可以很多。

最后数据被打平（全连接）为全连接层

全连接层作为特征训练的到权重