卷积神经网络与普通神经网络类似，因为它们也由具有可学习权重和偏置的神经元组成。普通神经网络忽略输入数据的结构，所有数据在输入到网络之前都被转换为一维数组。这个过程适合常规数据，但是如果数据包含图像，这个过程可能会很麻烦。

CNN 轻松解决了这个问题。它在处理图像时考虑了图像的二维结构，这使得它们能够提取图像特有的属性。通过这种方式，CNN 的主要目标是从输入层的原始图像数据到输出层的正确分类。普通神经网络和 CNN 的唯一区别在于对输入数据的处理和层的类型。

CNN 的架构概述

从架构上看，普通神经网络接收输入并通过一系列隐藏层进行转换。每一层都通过神经元连接到另一层。普通神经网络的主要缺点是它们不能很好地扩展到完整图像。

CNN 的架构中，神经元排列在三个维度上，称为宽度、高度和深度。当前层中的每个神经元连接到前一层输出的一个小区域。这类似于叠加一个过滤器，过滤器是特征提取器，提取边缘、角落等特征。

用于构建 CNN 的层

以下层用于构建 CNN：

• 输入层：直接接收原始图像数据。
• 卷积层：这是 CNN 的核心构建块，执行大部分计算。该层计算神经元和输入中各个区域之间的卷积。
• 整流线性单元层：它将激活函数应用于前一层的输出。它为网络添加非线性，使其能够很好地泛化到任何类型的函数。
• 池化层：池化帮助我们在网络中前进时只保留重要部分。池化层独立地对输入的每个深度切片进行操作，并在空间上调整其大小。它使用 MAX 函数。
• 全连接层：该层计算最后一层的输出分数。最终输出的大小为 (L,)，其中 L 是训练数据集中类别的数量。