一、神经网络
神经网络的单元模型是对生物神经元的数学建模，如下图所示：
P1，P2，……Pn是神经元的输入，a是神经元的输出，神经元将输入 P1，P2，……Pn加权求和后再加上偏置值b，最后再施加一个函数f，即：
上式最后是这个式子的向量形式，P是输入向量，W是权值，b是偏置值标量，f称作激活函数。
下图是一个三层神经网络，左侧为输入层，第一层和第二层称作隐藏层，各有5个神经元，最后一层为输出层。
二、卷积（convolution）
2维上有两个的函数f（x,y）和g（x,y），f和g的卷积就是一个新的函数
的函数c（x,y）。通过下式得到：
该式的含义是：遍历从负无穷到正无穷的全部s和t值，把g在（x-s,y-t）上的值乘以f在（s,t）上的值之后再“加和”到一起（积分意义上），得到c在（x,y）上的值。说白了卷积就是一种“加权求和”：以 f 为权，以 (x, y) 为中心，把 g 距离中心 (-s, -t) 位置上的值乘上 f 在 (s, t) 的值，最后加到一起。把卷积公式写成离散形式如下：
第二个等式成立是因为每隔单位长度1进行采样，s和
t都是1。
三、池化（Pooling）
池化的本质是采样，池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。常用的池化操作（图像处理场景）有取区域内的最大值、平均值等。
四、特征图（feature map）
不同卷积核（滤波器）去卷积图像得到的新的图像，称作特征图。由于滤波器的不同，因此特征图反映了图像的各式各样的特征。
五、激活函数ReLU（Rectified Linear Units）
激活函数通过给神经网络引入非线性因素，把卷积层输出结果做非线性映射，使得神经网络可以任意逼近任何非线性函数。常用的激活函数有Sigmoid函数、tanh函数、ReLU函数等。
六、深度神经网络
通过将卷积、激活函数、池化组合在一起，就变成下图：
通过加大网络的深度，增加更多的层，就得到了深度神经网络，如下图：
七、全连接层（Fully connected layers）
全连接层的每一个节点都与上一层的所有节点相连，用来把前边提取到的特征综合起来。全连接层起到分类器的作用，用于将学到的“分布式特征表示”向样本标记空间作映射。
八、卷积神经网络（Convolutional Neural Networks）
卷积神经网络主要是由两部分组成，一部分是特征提取（卷积、激活函数、池化），另一部分是分类识别（全连接层），将所有结果串起来，就形成了一个“卷积神经网络（CNN）”结构，如下图所示：
下图是著名的手写文字识别卷积神经网络结构图：
网友评论