1.卷积神经网络的简介
卷积神经网络是在图像处理方面广泛应用的一种深度学习网络结构。
卷积神经网络是在上个世纪60年代由Hubei和Wiesel在研宄猫脑皮
层时发现部分神经元的特殊构造可以使反馈神经网络简便化，从而
提出了卷积神经网络。卷积神经网络不需要对原始图片进行预处理、
复杂的特征提取等问题，卷积层卷积运算代替了传统图像中的矩阵
乘法运算，避免了复杂的计算，同时其共享网络结构，参数较少，
不仅降低神经网络的复杂度而且降低了计算量，从而使卷积神经网
络能获得较好的提取图片的特征效果。鉴于卷积神经网络的众多优
点，使它在图像识别，语音识别上得到了广泛的应用，成为深度学
习的一个热门方向。基于 CNN 的经典神经网络有 LeNet5、AlexNet、
 GoogLeNet等。LeNet5作为诞生较早的CNN，采用了 ReLU 激活
函数，加入了 Dropout 层，并且扩充了训练 的数据量。但是AlexNet
只有八层，前五层为卷积层， 后三层为全连接层，网络深度不够，
且丢弃池化层易 发生过拟合的问题。 GoogLeNet给CNN注入模块
化思想，使用1×1的卷积来进行升降维，其稀疏连接结构提高了网
络对各种 复杂图像的适应性，但应用于字符识别计算时间偏长