卷积神经网络应用领域包括检测任务、分类与检索、超分辨率重构、医学任务、无人驾驶、人脸识别等。

卷积网络与传统网络的区别：

CNN新增了卷积层和池化层，连接顺序是"卷积层-RELU-（池化层）"

全连接，Affine层跟着激活函数RELU层或SIGMOID层，最后由Softmax层输出最终结果概率

 整体架构：输入层、卷积层、池化层、全连接层

 输入层（input layer）：

1.数据预处理

2.常见预处理方式：a.数据标准化，将数据按比例缩放，常用的方法是Z-Score标准化，用于评估样本点到总体均值的距离

  b.数据增强， 即增加训练数据，则能够提升算法的准确率，避免过拟合

卷积层（Convolution）：

全连接忽视形状，需要将三维变一维；而卷积层可以保持形状不变，h*w*c（height，width，channel）

卷积层输入数据为输入特征图，输出数据为输出特征图

卷积运算相当于滤波器

填充：向输入数据周围填入固定数据如0，调整输出大小

步幅：应用滤波器的位置间隔

批处理：mini-batch，（batch_num, channel, height, width）

激活函数，最常用是RELU函数，f(x)=max(0,x)

池化层（Pooling）：往往在卷积层后面，通过池化降低卷积层输出的特征向量

对输入的特征图进行压缩，一种是Avy Pooling ,一种是max Pooling

全连接 （fully-connected):

连接所有的特征，将输出值送给分类器（如softmax分类器）