卷积神经网络(CNN)属于人工神经网络的一种，它的权重共享的网络结构显著降低了模型的复杂度，减少了权值的数量。卷积神经网络可以直接将图片作为网络的输入，自动提取特征，并且对图片的变形（如平移、比例缩放、倾斜）等具有高度不变形。
神经网络(NN) 的基本组成包括输入层、隐藏层、输出层。卷积神经网络的特点在于隐藏层分为卷积层和池化层（又叫采样层）。卷积层通过一块块卷积核在原始图像上平移来提取特征。
1.什么是卷积神经网络？
我们先把卷积神经网络这个词拆开来看。“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片的理解。具体来说，卷积神经网络有一个批量过滤器，持续不断的在图片上滚动收集图片里的信息，每一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，比如这时的神经网络能看到一些边缘的图片信息，然后在以同样的步骤，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，比如说总结的边缘能够画出眼睛，鼻子等等。再经过一次过滤，脸部的信息也从这些眼睛鼻子的信息中被总结出来。最后我们再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。
2.用卷积来干什么？
我们截取一段 google 介绍卷积神经网络的视频，具体说说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。对! 图片是有高度的! 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，高的单位就只有1，如果是彩色照片，就可能有红绿蓝三种颜色的信息，这时的高度为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。
3.池化(pooling)是做什么的？
研究发现，在每一次卷积的时候，神经层可能会无意地丢失一些信息。这时，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 (具体细节参考)。也就是说在卷集的时候，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了，这样的一项附加工作能够很有效的提高准确性。有了这些技术，我们就可以搭建一个属于我们自己的卷积神经网络啦。
4.所以卷积神经网络(CNN)是什么结构？
比较流行的一种搭建结构是这样，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，最后在接上一个分类器(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。
CSDN文章地址：https://blog.csdn.net/kdongyi
