为什么采用卷积神经网络

1、 由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。

4、 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一 。 卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。

2、 总结来说，卷积神经网络以其独特的区域不变性和局部组合性，成为深度学习的核心力量。 深入理解其结构和参数设置，是实现高效应用的关键。 无论是在视觉、语言还是音频世界，CNN都在无声无息地驱动着我们对复杂信息的理解和处理。

5、 而池化主要是因为在某些任务中降采样并不会影响结果。 所以可以大大减少参数量，另外，池化后在之前同样大小的区域就可以包含更多的信息了。 综上，所有有这种特征的数据都可以用卷积网络来处理。

3、 卷积神经网络 （CNN） 是一种神经网络，特别适用于涉及处理和分析具有网格状结构的数据（如图像）的任务。 CNN能够通过对数据应用一组学习的过滤器来处理和分析图像，这使他们能够学习不同尺度的特征和模式，并自动识别图像中的对象和特征。