其实，深度学习就像探寻外太空的生命一样，充满着梦幻色彩，是人类的美好想象。以前的电脑，能快速的运算并存储数据，并没有任何的“自我”意识。现如今，电脑技术迅速发展，电脑可以表现的非常强大，“深度学习”初成型。
大家应该都知道“图灵试验”的设想，简而言之，就是隔墙对话，你并不能通过听觉来区分人类与机器。这个1950年的设想，给了人们很大的希望和失望。因为过了大半个世纪，直到现在，机器学习领域才取得了突破性的进展。人们知道了计算机不仅仅只限于对大数据的处理能力，还依赖于算法，这个算法称为“深度学习”算法。
深度学习是一个框架，其包含了多个重要算法：
Convolutional Neural Networks(CNN)卷积神经网络
AutoEncoder自动编码器
Sparse Coding稀疏编码
Restricted Boltzmann Machine(RBM)限制波尔兹曼机
Deep Belief Networks(DBN)深信度网络
Recurrent neural Network(RNN)多层反馈循环神经网络神经网络
其中，卷积神经网络（CNN）是人工神经网络的一种亦或是多层神经网络，擅长处理图像的一种算法。我为大家简单介绍下卷积神经网络的大致组成部分：卷积层、池化层、全连接层。其中，卷积层与池化层相互配合：
卷积神经网络由两类神经元作用：一个叫C（convolution），卷积，卷积操作主要用来提取事物的特征；一个叫S（subsampling），下采样，也可以叫做特征映射，其实就是池化操作。如图：
卷积神经网络的概念示范：输入图像通过和三个可训练的滤波器和可加偏置进行卷积，滤波过程，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数（使得特征映射具有位移不变性）得到三个S2层的特征映射图。这些映射图再进过滤波得到C3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。
全连接层常简称为 FC（Fully Connected Layer），在整个卷积神经网络中起到“分类器”的作用。如果说卷积与池化的基本单元是局部视野，用它类比我们的眼睛的话，它能将接收的输入中的各个特征提取出来；至于FC、则可以类比我们的神经网络（甚至说、类比我们的大脑），它能够利用得到的信号（特征）来做出相应的决策。概括地说、CNN 视卷积与池化为“眼”而全连接为“脑”，眼脑结合则决策自成。
欢迎百度“于洪康” ，即可获取OCR识别开发包和测试授权，进行接口开发及软件测试。