小白带你学习卷积神经网络
首先我们先需要先了解全连接网络和部分连接网络的概念。
对于小图像将每个节点和隐藏层的每个节点都是有连接的，小图像例如8X8的图像这样全连接没有问题。
如果是100X100的那么全连接的输入特征维10000个输入单元， 假设我们希望在隐藏层学习100个特征，那么就是10000*100
就是10的6次方的参数，这样无论是前向和后向传播都是难以接受。这种方式我们就叫全连接网络。将这神经元全连接的隐藏层叫做全连接网络（full connect layer),也叫FC层。
为了提升性能，节省时间，神经元之间的连接进行限制，用部分全连接网络概念。
卷积
CNN，为什么要进行卷积首先，我们把图像100X100，进行随机抽取一个小块，来看看学学这小块的特征，假设我们抽取的图像大小为5X5，然后我建立一个更小的3X3的矩阵，3X3的矩阵我们称为卷积核(kernel),矩阵如图表示
我们把3X3的卷积核从5X5的第一个位置开始滑动，比如我们将这个卷积放在（1，1）点，然后计算卷积核和图像的每个像素的值得乘积，并且求和：下面为公式，所以3X3的卷积核在5X5的第一个（1，1）的元素，每个元素的乘积和为4 结果为，按照卷积核继续右移动，乘积的和为3，依次类推所有的卷积核的乘积和的值为
| 4 | ||
通过卷积核的运算，100X100的图像，学习特征维5X5的，假设隐藏层具有100个隐含单元，那么100X100的图像抽取的卷积特征维96X96，那么卷积到底什么意义？比如辨别一个图像是否一个人，我们可以判断人的轮廓，脸，脚身体等，如果都具备这些特征，我们可以确定为一个人，卷积核都是人工事先设定，是经过算法设计人员精心设计的，他们发现这样就可以设计的卷积核突出某个什么样的特征。
池化（Pooling）
我们希望对一个图像100*100进行卷积，如果使用5X5的卷积核进行计算，假设要学习250个特征
（100+5-1）X（100+5-1）的特征，最终特征数量为96X96*250个，这个计算效率不理想。
为此，我们需要优化，可以想到的平时统计分析的时候常用需要一个数值来计算统计。我们可以用求区域内最大值或者平均值，使用统计特征而不是通过原始特征来降低特征维度，最后还可以改善训练结果，防止过拟合，我们把统计聚和的方法叫做‘池化’
卷积神经网络结构图
首先是输入层，接着是卷积层，池化层，全连接层，最后是分类器做输出。卷积神经网络代表就是CNN