冰凝凝的专栏

下图是一个经典的CNN结构，称为LeNet-5网络可以看出，CNN中主要有两种类型的网络层，分别是卷积层和池化(Pooling)/采样层（Subsampling）。卷积层的作用是提取图像的各种特征；池化层的作用是对原始特征信号进行抽象，从而大幅度减少训练参数，另外还可以减轻模型过拟合的程度。

卷积神经网络       卷积神经网络（Convolutional Neural Network,CNN）是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功，在国际标准的ImageNet数据集上，许多成功的模型都是基于CNN 的。CNN相较于传统的图像处理算法的优点之一在于，避免了对图像复杂的前期预处理过程（提取人工特征等），可以直接输入原始图像。       图像处理

近期正在学习卷积神经网络，大致的原理在之前参考前辈们经验，转载的两个笔记中已经做了简要梳理，下边就Github中的DeepLearnToolbox中的CNN的代码进行理解和实现讲解参考代码来源：[CNN卷积神经网络的Matlab实现](https://github.com/rasmusbergpalm/DeepLearnToolbox)网络结构图： 打开路径\tests\test_exampl

1：make pycaffe 出现警告修改方法：找到caffe下Makefile文件，找到CXXFLAGS和LINKFLAGS对应的两行warning删除‘-phread’改为如下格式CXXFLAGS += -fPIC $(COMMON_FLAGS) #$(WARNINGS)LINKFLAGS += -fPIC $(COMMON_FLAGS) #$(WARNINGS)2: