????????传统神经网络(NN)，是目前各种神经网络的基础，其构造是仿造生物神经网络，将神经元看成一个逻辑单元，其功能是用于对函数进行估计和近似，是一种自适应系统，通俗的讲就是具备学习能力。
????????其作用，目前为止就了解到分类。其目的就是在圈和叉之间画出一条分界线，使得接下来我们可以根据其位置来预测其属于哪个分类。这个图只有两种分类，实际上可以有非常多种，但其网络结构也会变得复杂，可以说一层网络可以画一条线，多层网络就可以画多条线。

其内部最主要的构造就是神经元，如下图所示

这张图有五个部分组成

输入向量
权重
求和
激励函数
输出

可以把权重，求和，激励函数合并在一起，统称为隐藏层，输入的向量可以成为输入层，输出的向量可以称为输出层。
因此神经网络的基础结构便是三层结构

输入层
隐藏层
输出层

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?传统神经网络示意图

1.2、卷积神经网络

典型的卷积神经网络由5部分构成：

输入层
卷积层
池化层
全连接层
输出层

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，也就是神经网络当中的隐藏层。

目前卷积神经网络主要用于图像处理的方面。

?2、卷积神经网络的具体介绍

2.1、输入层

就是给出的图像数据，跟传统神经网络类似。

2.2、卷积层——提取特征

使用多个filter在图像上面做内积，得出多个特征，卷积的过程就是拿一个矩阵在原图矩阵上面边移动，边做内积，最后得出一个比原图小一点的矩阵。如图所示，一个9*9的矩阵被filter后变成了-8。

而这个filter的作用其实在视觉上的效果便是提取图片的某些特征，例如颜色的深浅与轮廓。

2.3、池化层——压缩特征

池化层简单说就是下采样，他可以大大降低数据的维度。其过程如下：

上图中，我们可以看到，原始图片是20×20的，我们对其进行下采样，采样窗口为10×10，最终将其下采样成为一个2×2大小的特征图。

之所以这么做的原因，是因为即使做完了卷积，图像仍然很大（因为卷积核比较小），所以为了降低数据维度，就进行下采样。

?3、卷积层补充说明

3.1、颜色通道

?不同颜色通道分别进行计算，计算完成后将所得结果加在一起

?3.2、特征图

特征图：就是在执行了一次卷积计算后得到的结果，特征图可以有多个，以不同方式得出的特征图结果不同。

上面这个图中有六个特征图，表示用过六种不同方法进行卷积后得到的结果。?

注意：卷积神经网络不是卷积一次就能得出结果，需要对卷积结果进一步进行卷积，多次卷积后得到的结果，我们认为是比较好用的。

3.3、卷积层涉及参数

滑动窗口步长

?当步长比较小时，这时系统会慢慢的，仔细地提取图片特征，所以得到的特征值的结果就多，

当步长比较大时，系统会粗略的进行提取，得到的特征值的结果也就少。

当然有时考虑到提取时间的关系，会对步长进行选择，选择合适的步长也是识别的关键（一般步长都是1）。

卷积核尺寸

通俗点说就是，选择区域的大小，比如3×3，4×4，5×5，等等（一般都是3×3），卷积核尺寸的选择对卷积结果特征值的多少也有影响。

?边缘填充

?还是上面这张图，可以看到输入层上写着+pad 1这个就是边缘填充。根据移动规律，越在中间的点对特征值的影响越大，反而那些比较边缘的的点，对特征值的影响不是很大，所以要想输入层的值对特征值产生影响，就得把原有的值往中间靠，这时就出现了边缘填充，也就是图中外面一圈灰色的0。当然这个填充可以填充多层，且必须填充0，因为填充其他值会对特征值产生影响。