卷积神经网络（CNN）是一种深度学习算法，特别擅长处理图像和视频数据。它通过模拟生物视觉系统的方式，利用卷积层、池化层等多层网络结构自动提取图像中的特征，进行分类、识别和预测。CNN被广泛应用于计算机视觉任务，如图像分类、人脸识别、物体检测等，已成为深度学习领域的重要模型之一。
接触机器学习的时间还比较短，对于训练的结果往往无法解释，不知道为什么好，也不知道为什么不好。所以罗列了一下卷积神经网络中设置的参数，希望能有所帮助。
在卷积神经网络(CNN)前向传播算法中，我们对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，我们下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP)
本文探讨卷积神经网络（CNN）的内部工作原理。你可能想知道这些网络中发生了什么？他们是如何学习的？本质上，CNN正在学习过滤器并将它们应用于图像。这些与你应用于Instagram自拍的滤镜不同，但概念并没有那么不同。CNN采用一个小方块并开始在图像上应用它，这个方块通常被称为"窗口"。
卷积神经网络中的权值更新也是使用误差的反向传播算法。损失函数一般使用最小平方误差函数。由于卷积网络中存在两部分区域：卷积区和全连接区，它们在计算损失时有所不同我们将其分开进行讨论。
CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用Softmax激活函数的输出层。在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。
近年来深度学习在图像识别、语音识别等领域得到了广泛的应用，取得了优异的效果，但深度学习网络的结构设计没有一般规律可循。本文基于卷积神经网络和递归卷积神经网络模型探究了深度学习网络不同层级间参数分布对网络性能的影响。
学习RCNN系列论文时， 出现了感受野(receptive field)的名词， 感受野的尺寸大小是如何计算的，在网上没有搜到特别详细的介绍， 为了加深印象，记录下自己对这一感念的理解，希望对理解基于CNN的物体检测过程有所帮助。
在训练一个神经网络时，“离线的”和可以实时识别新对象的训练模型（称为“推理”）之间是有区别的，例如，如果一个神经网络设计成用来识别过往的图片，例如一只猫，那么就需要从数千张猫的图像数据库中了解到猫是什么样的。 经过适当的训练，当你给一个有神经网络的设备展示猫先生的图片时，即使它以前没有见过猫它也能够认出猫，这就是推理。
深度卷积神经网络（CNN）是一种特殊类型的神经网络，在各种竞赛基准上表现出了当前最优结果。深度 CNN 架构在挑战性基准任务比赛中实现的高性能表明，创新的架构理念以及参数优化可以提高 CNN 在各种视觉相关任务上的性能。本综述将最近的 CNN 架构创新分为七个不同的类别，分别基于空间利用、深度、多路径、宽度、特征图利用、通道提升和注意力。
典型的卷积神经网络，开始阶段都是卷积层以及池化层的相互交替使用，之后采用全连接层将卷积和池化后的结果特征全部提取进行概率计算处理。在具体的误差反馈和权重更新的处理上，不论是全连接层的更新还是卷积层的更新，使用的都是经典的反馈神经网络算法，这种方法较原本较为复杂的......