下面我们正式来介绍卷积神经网络。这个网络是如何神奇，怎么能够仅仅依靠一些数学加工的方法，就能完成对图像的分类，或者说检测呢？按照惯例，我们先通过一张形象的图片，来理解它是如何进行图像分类的：

图是从网上剽窃来的，实在是没时间画了，而且也不是我的专长。以后真有精力再做替换吧。

关键是这张图说明得非常形象，很容易理解，似乎一眼就看明白“卷积神经网络”是干什么以及如何工作的了，比我上面那段苍白的文字定义要好一百倍。这也是一张非常流行的图，不知道最初是谁画出来的。

大意是说，先从一张原始图片中，提取出线条，然后由线条组成物体的部件，然后再由部件组成一个整体，最终判断出图像中物体所属的分类。

这便是卷积神经网络的原理（当然是写意的）。

具体来讲它是如何工作的，它有哪些结构呢？下面我打算分这么几部分来介绍它。

首先介绍组成卷积神经网络的几个主要部件。

接着通过一个例子来说明一个完整的卷积神经网络是什么样子。

最后讲讲其他同样会用到卷积神经网络上的不同的技术或方法。

开始之前，我想说一下，网上关于什么是卷积神经网络的最好的介绍，我觉得应该算吴恩达的“卷积神经网络”的视频课程，讲得非常详细，深入浅出，而且全程都是例子和手把手的计算。虽然课程的侧重点不是讲解卷积网络的工作原理，不是在讲“所以然”，但是对“知其然”来说是我见过最好的了。

视频在B站上一搜就有，不过我估计全部是未授权的，所以这里就不放链接了，有需要的自己在视频网站输入“吴恩达 卷积神经网络”一搜就能找到很多。

所以关于“是什么”这部分我会讲解得比较粗略一些，有看不明白或想了解更多细节的，我建议去网上看看吴恩达的视频。

上一节我们介绍“卷积神经网络”这个词，但是完整的网络其实并不只包含卷积，还有其他的部件，下面我们将逐个介绍这基组成网络的基础构件。

一个典型的卷积网络(LeNet-5)

一个典型的卷积网络通常由输入层、卷积层、激活层、池化层，全连接层，输出层等关键部件构成。其中卷积层、激活层、池化层通常成一组出现，每一组被视作网络的一层，层数越多，网络越深。输入层是网络的开始，而输出层是网络的结束。网络是单向的，总是由输出到输出。后一层由前一层计算得来，前一层是后一层的输入。