概述
卷积神经网络是深度学习在计算机视觉领域的突破性成果。在计算机视觉领域, 往往我们输入的图像都很大，使用全连接网络的话，计算的代价较高。另外图像也很难保留原有的特征，导致图像处理的准确率不高。
卷积神经网络（Convolutional Neural Network，CNN）是一种专门用于处理具有网格状结构数据的深度学习模型。最初，CNN主要应用于计算机视觉任务，但它的成功启发了在其他领域应用，如自然语言处理等。
卷积神经网络（Convolutional Neural Network）是含有卷积层的神经网络. 卷积层的作用就是用来自动学习、提取图像的特征。
CNN网络主要有三部分构成：卷积层、池化层和全连接层构成，其中卷积层负责提取图像中的局部特征；池化层用来大幅降低运算量并特征增强；全连接层类似神经网络的部分，用来输出想要的结果。
全连接的局限性
全连接神经网络并不太适合处理图像数据....
参数量巨大
全连接结构计算量非常大，假设我们有1000×1000的输入，如果隐藏层也是1000×1000大小的神经元，由于神经元和图像每一个像素连接，则参数量会达到惊人的1000×1000×1000×1000，仅仅一层网络就已经有个参数。
表达能力太有限
全连接神经网络的角色只是一个分类器，如果将整个图片直接输入网络，不仅参数量大，也没有利用好图片中像素的空间特性，增加了学习难度，降低了学习效果。
卷积思想
卷：从左往右，从上往下
积：乘积，求和
概念
Convolution，输入信息与卷积核(滤波器,Filter)的乘积。
局部连接
-
局部连接可以更好地利用图像中的结构信息，空间距离越相近的像素其相互影响越大。
-
根据局部特征完成目标的可辨识性。
权重共享
-
图像从一个局部区域学习到的信息应用到其他区域。
-
减少参数，降低学习难度。
卷积层
卷积核
卷积核是卷积运算过程中必不可少的一个“工具”，在卷积神经网络中，卷积核是非常重要的，它们被用来提取图像中的特征。
卷积核其实是一个小矩阵，在定义时需要考虑以下几方面的内容：
-
卷积核的个数：卷积核（过滤器）的个数决定了其输出特征矩阵的通道数。
-
卷积核的值：卷积核的值是自定义的，根据想要提取的特征来进行设置，后续进行更新。
-
卷积核的大小：常见的卷积核有1×1、3×3、5×5等，一般都是奇数 × 奇数。
下图就是一个3×3的卷积核：
卷积计算
卷积计算过程
卷积的过程是将卷积核在图像上进行滑动计算，每次滑动到一个新的位置时，卷积核和图像进行点对点的计算，并将其求和得到一个新的值，然后将这个新的值加入到特征图中，最终得到一个新的特征图。
-
input 表示输入的图像
-
filter 表示卷积核, 也叫做滤波器
-
input 经过 filter 的得到输出为最右侧的图像，该图叫做特征图
-
卷积运算本质上就是在滤波器和输入数据的局部区域间做点积。
按照上面的计算方法可以得到最终的特征图为:
卷积的重要性在于它可以将图像中的特征与卷积核进行卷积操作，从而提取出图像中的特征。
可以通过不断调整卷积核的大小、卷积核的值和卷积操作的步长，可以提取出不同尺度和位置的特征。