10、【李宏毅机器学习（2017）】Convolutional Neural Network（卷积神经网络）

最新推荐文章于 2023-05-27 16:11:21 发布

原创

最新推荐文章于 2023-05-27 16:11:21 发布 · 3.9k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #神经网络 #卷积神经网络 #CNN

本文深入探讨卷积神经网络（CNN）的优势，包括其参数减少、高效率和过拟合风险降低。通过Why CNN？部分解释了CNN的核心思想，接着详细介绍了卷积(Convolution)、最大池化(Max Pooling)的概念，并结合Keras展示了CNN模型的构建过程，包括多层Convolution与Max Pooling的应用，以及如何将Feature Map展平输入全连接神经网络。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上一篇博客介绍了神经网络构建的整个过程以及优化思路，本篇博客将进一步介绍卷积神经网络（CNN，Convolutional Neural Network）。

Why CNN？
CNN模型
Keras实战演练

Why CNN？

CNN本质是原来full-connected神经网络的简化，参数大大减少，因此计算的效率比较高，且在一定程度上消除过拟合的风险。直观地以图像识别为例，在识别鸟类图像时，识别“喙”这一特征并不需要在整个图像中找，而是在一个小的区域中搜索；
一个特征（比如“喙”）可能出现在图的任何位置，我们只要考虑这一特征的提取而不用管特征在图形的具体位置；
图形可以做重抽样而不影响图像
这三个性质对应了CNN中的两个重要概念Convolution和Max Pooling。