卷积神经网络是一种人工神经网络结构，因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果，这一技术也被广泛的传播可应用。卷积神经网络最常被应用的方面是计算机的图像识别，不过因为不断地创新，它也被应用在视频分析，自然语言处理，药物发现，等等。

卷积 和 神经网络

什么是卷积神经网络？我们可以把这个词拆开成为“卷积”和“神经网络”。卷积也就是说神经网络不再是对每个像素的输入信息做处理了，而是图片上每一小块像素区域进行处理，这种做法加强了图片信息的连续性。使得神经网络能看到图形，而非一个点。这种做法同时也加深了神经网络对图像的理解。每次收集的时候都只是收集一小块像素区域，然后把收集来的信息进行整理，这时候整理出来的信息有了一些实际上的呈现。然后以同样的步骤，用类似的批量过滤器扫过产生的这些边缘信息，神经网络从这些边缘信息里面总结出更高层的信息结构。经过几次过滤，最后我们把这些信息套入几层普通的全连接神经层进行分类，这样就能得到输入的图片能被分为哪一类的结果了。

图片是如何被卷积的？

下面是一张猫的图片，图片有长、宽、高三个参数。这里的高指的是计算机用于产生颜色使用的信息。如果是黑白照片的话，高的单位只有1，如果是彩色照片，就有可能有rgb三种颜色的信息，这是的高度为3.我们以彩色照片为例子. 过滤器就是影像中不断移动的东西, 他不断在图片收集小批小批的像素块, 收集完所有信息后, 输出的值, 我们可以理解成是一个高度更高,长和宽更小的”图片”. 这个图片里就能包含一些边缘信息. 然后以同样的步骤再进行多次卷积, 将图片的长宽再压缩, 高度再增加, 就有了对输入图片更深的理解. 将压缩,增高的信息嵌套在普通的分类神经层上,我们就能对这种图片进行分类了.

池化（pooling）

研究发现，在每一次卷积的时候，神经层可能会无意识地丢失一些信息。这是，池化（pooling）就可以很好地解决这一问题。而且池化是一个筛选过滤的过程，能将layer中有用的信息筛选出来，给下一个层分析。同时也减轻了神经网络的计算负担。也就是说在卷积的时候，我们不压缩长宽，尽量地保留更多信息，压缩的工作就交给池化，这样的一项附加工作能够很有效的提高准确性。

流行的CNN结构

比较流行的一种搭建结构就是这样，从下到上的顺序，首先是输入的图片（image），经过一层卷积层（convolution），然后在用池化（pooling）方式处理卷积的信息，这里使用的是max pooling的方式。然后在经过一次同样的处理，把得到的第二次处理的信息传入两层全连接的神经层（fully connected），这也是一般的两层神经网络层，最后再接上一个分类器（classifier）进行分类预测。这仅仅是对卷积神经网络在图片处理上一次简单的介绍.