卷积神经网络CNN特点功能及其缺陷

卷积神经网络CNN特点功能及其缺陷 卷积神经网络（CNN）中的模块及其功能作用CNN的目的特征卷积与特征提取卷积的特点：局部感知、参数共享、多核Down-Pooling多层卷积池化激活函数的意义LRN的催化与抑制Dropout的作用 卷积神经网络中的局部连接卷积神经网络中的权值共享卷积神经网络的平移不变性卷积的缺陷坐标建模的任务上（如目标检测、图像生成等）的缺陷

卷积神经网络（CNN）中的模块及其功能作用 CNN的目的

CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等。最重要的步骤在于特征提取，即如何提取到能最大程度区分事物的特征，实现这个伟大的模型的，需要对CNN进行迭代训练。

特征

在图像中（举个例子），目标事物的特征主要体现在像素与像素之间的关系。比如在图像识别中，图片中猫身体毛发对应的像素之间会比毛发与背景之间像素的区别较大，这样便可以将图片中的“猫”识别出来。 在CNN中，大部分特征提取依赖于卷积运算。

卷积与特征提取

卷积在此其实就是内积，步骤很简单，就是根据多个一定的权重（即卷积核），对一个块的像素进行内积运算，其输出就是提取的特征之一：

卷积的特点：局部感知、参数共享、多核

局部感知，简单来说，卷积核的大小一般小于输入图像的大小（如果等于则是全连接），因此卷积提取出的特征会