CNN(Convolutional Neural Network)
CNN(卷积神经网络)是深度学习的其中一种model。
介绍它从一个例子开始。
我们要对一张固定大小（以100* 100为例） ，其他大小的图片（例如500500）在放入前需要进行裁剪（变成100 * 100）再继续处理。
彩色图片一般都是RGB,所以图片一共有3100*100个参数。
按照先前学过的Deep Learning的方法，使用全连接。
那么这个模型的参数就相当大了。训练起来很耗时，而且全连接造成参数过多，容易过拟合。
那么如何化简，提高效率，还能提高精度呢？
1. 每个neuron看图片的一个部分
基于人类对图片的观察，人类从图片中的特征（比如鸟嘴，鸟眼）等等，判断出图片里描绘的是鸟。
所以让一个neuron只看图片里的一部分就行了
常规做法如下图所示。
从图中可以看出，一个图片的位置由多个neurons共同查看。并且各个监控的特征区域有重叠部分，这也是为了提高精度。
2. Parameter shaving
基于人类对图片的观察，一个特征（比如鸟嘴，鸟眼）会出现在一个图片的各个位置。所以每个特征的neuron采用的是相同的权重。
Convolutional Layer
卷积层如下图所示
3. Polling
这也是基于人类的观察，一张鸟图，即使缩小了，你也能看出它是鸟
这就是所谓的Polling的由来。
如下图所示。
在你用Convolutional Layer得到了一个结果，你可以任意做裁剪（比如上图中就是4个特征中需选取最大的特征保留）结果如下图所示
Whole CNN
值得一提的是，其实POOLING可用可不用
CNN的缺陷
同样是100*100的图片，如果放大后，CNN可能识别不出同一个狗。
为了解决这个问题，我们需要做的是训练时，把一张图片做放大/缩小/旋转后，再放进训练集中进行训练
