卷积神经网络是怎么学习的

在2012年的ImageNet大赛上，Alex Krizhevsky的一次革命性突破，使用卷积神经网络(CNN)将图像分类精度推向新高，从此深度学习在视觉领域的应用如日中天。 Facebook、Google等巨头纷纷将其嵌入图像标注、搜索、个性化推荐，CNN的魅力在于它的经典图像处理任务——以像素为输入，输出精准描述图像内容的概率分布。

答案是肯定的,这也是许多深度学习算法(包括CNN)的灵感来源。 典型的 CNN 由3个部分构成: 卷积层 池化层 全连接层 如果简单来描述的话: 卷积层负责提取图像中的局部特征;池化层用来大幅降低参数量级(降维);全连接层类似传统神经网络的部分,用来输出想要的结果。

神经网络的学习就是通过迭代算法,对权值逐步修改的优化过程,学习的目标就是通过改变权值使训练集的样本都能被正确分类。

卷积神经网络（Convolutional Neural Networks, 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 Neural Networks），是深度学习（deep learning）的代表算法之一。