卷积神经网络由谁提出_为什么会提出卷积神经网络(CNN)?CNN的基本框架

学机器学习的时候&＃xff0c;大家接触最多的一个就是神经网络&＃xff0c;神经网络有很多种&＃xff1a;全连接层神经网络、卷积神经网络CNN、循环神经网络RNN&＃xff0c;残差网络等等。

全连接神经网络大家应该都知道&＃xff0c;就是相邻两层上的任意两个节点都是连接的。如图&＃xff1a;

那么卷积神经网络&＃xff08;以下简称CNN&＃xff09;为什么会提出呢&＃xff1f;

对于全连接层&＃xff0c;输入数据的所有信息都会得到有效的利用&＃xff0c;因为通过全连接的方式&＃xff0c;每一点信息都会对训练过程做出“ 贡献 ”&＃xff0c; 这是它的优点。
但是&＃xff0c;当处理图像数据的时候&＃xff0c;这就反而成了累赘&＃xff0c;就比如一张30*30的图片&＃xff0c;仅仅是这样的小图片&＃xff0c;需要进行更新的参数已经很多了&＃xff0c;显然&＃xff0c;对于更大的图片&＃xff0c;这样的过程是吃不消的。
因此&＃xff0c;CNN 应运而生&＃xff1b;CNN可以对图像特征进行提取&＃xff0c;减少参数的更新(类似于降维)

一个简单的CNN会包含以下几层&＃xff1a;

1. 输入层&＃xff1a;用来输入数据&＃xff0c;输入图片
2. 卷积层&＃xff1a;主要对输入信息进行局部感知&＃xff0c;类似于人的大脑识别图片的过程中&＃xff0c;并不是一下子整张图同时识别&＃xff0c;而是对于图片中的每一个特征首先局部感知&＃xff0c;然后更高层次对局部进行综合操作&＃xff0c;从而得到全局信息。
3. 池化层&＃xff1a;主要用于特征降维、特征提取&＃xff0c;压缩数据和参数的数量&＃xff0c;减小过拟合&＃xff0c;同时提高模型的容错性
4. 全连接层&＃xff1a;完成分类任务

*注&＃xff1a;&＃xff0c;池化层并非是卷积网络所必需的。一些新的CNN网络设计时候并没有使用池化层

-----------------------------

以上仅仅是对于CNN提出的缘由以及简单介绍&＃xff0c;CNN具体实现后面会补充。