卷积神经网络论文知乎

问：卷积神经网络和深度神经网络的区别是什么

1. 答：卷积神经网络是深度神经网络中的一种，深度神经网络还有DBN,RBN,AD等，deeplearning tutorial 是个很不错的东西，还有百度余凯教授的一些论文，csdn的一些博客还不错。还有一些框架theano,caffe等都是挺有用的，目前只看了theano，但听说企业都是用caffe
   作者：尹川东
   来源：知乎

问：如何更好的理解分析深度卷积神经网络

1. 答：作者：杨延生
   链接：
   来源：知乎
   著作权归作者所有，转载请联系作者获得授权。
   "深度学习"是为了让层数较多的多层神经网络可以训练，能够work而演化出来的一系列的 新的结构和新的方法。
   新的网络结构中最著名的就是CNN，它解决了传统较深的网络参数太多，很难训练的问题，使用了逗局部感受野地和逗权植共享地的概念，大大减少了网络参数的数量。关键是这种结构确实很符合视觉类任务在人脑上的工作原理。
   新的结构还包括了：LSTM，等。
   新的方法就多了：新的激活函数：ReLU，新的权重初始化方法（逐层初始化，XAVIER等），新的损失函数，新的防止过拟合方法（Dropout, BN等）。这些方面主要都是为了解决传统的多层神经网络的一些不足：梯度消失，过拟合等。
   ---------------------- 下面是原答案 ------------------------
   从广义上说深度学习的网络结构也是多层神经网络的一种。
   传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。
   而深度学习中最著名的卷积神经网络CNN，在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层，而且加入的是一个层级。
   输入层 - 卷积层 -降维层 -卷积层 - 降维层 -- .... -- 隐藏层 -输出层
   简单来说，原来多层神经网络做的步骤是：特征映射到值。特征是人工挑选。
   深度学习做的步骤是 信号->特征->值。 特征是由网络自己选择。

问：卷积神经网络通俗理解

1. 答：卷积神经网络（Convolutional works, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward works），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络