人工智能学习选北邮在线，卷积神经网络篇

什么是卷积神经网络？

卷积神经网络主要是包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。由于卷积神经网络能够进行平移不变分类，因此也被称为“平移不变人工神经网络“

能够了解到卷积神经网络的基本上都是对人工智能行业比较了解或者说是对这方面比较感兴趣。卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。

CNNs（深度卷积神经网络）目前在很多很多研究领域取得了巨大的成功，例如: 语音识别、图像识别、图像分割、自然语言处理等。

CNNs的主要结构构成分为三个部分：卷积层、池化层、全连接层

卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，在文献中被称为“感受野”，其含义可类比视觉皮层细胞的感受野。卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。

在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层通常搭建在卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。特征图在全连接层中会失去3维结构，被展开为向量并通过激励函数传递至下一层。

在一些卷积神经网络中，全连接层的功能可部分由全局均值池化（global average pooling）取代，全局均值池化会将特征图每个通道的所有值取平均，即若有7×7×256的特征图，全局均值池化将返回一个256的向量，其中每个元素都是7×7，步长为7，无填充的均值池化。

目前计算机视觉主要应用在图像识别，物体识别，行为认知，姿态估计，神经风格转换。在人工智能的认知部分占据了很大的比重，是人工智能方面学习的热门方向。

而北邮在线积极开拓 ‘互联网+’概念，一直走在时代最前沿，开设人工智能专业课程，培养优秀的技术人才。并且北邮在线拥有12年办学经验，雄厚的师资力量，教师拥有12年项目经验，高效的研发团队，为北邮在线的课程保驾护航，从而课程保持前沿性、创新性、系统性，并创新性的开创LTM项目经理教学模式，引导IT教育创新性发展。