本文已参与「新人创作礼」活动，一起开启掘金创作之路。
来源与发展
卷积神经网络(CNN)由纽约大学的Yann Lecun于1998年提出，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式。
卷积神经网络利用空间信息，其特点非常适合对图像进行分类。网络中使用的ad hoc受到视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感的启发。卷积神经网络有三个关键概念：局部感受野、共享权重、池化。以前面博客中提到的手写数据集的识别为例，卷积神经网络的工作过程如下：
深度卷积神经网络
深度卷积神经网络(DCNN)是指由许多神经网络层叠组成，例如卷积层和池化层进行组合，多次交替使用使得网络深度增加。
什么是卷积，有什么作用，如何计算
为了表述清楚下面的概念，卷积首先要在此处说明白，讲清楚。
卷积非常简单，不需要在数学公式中去理解，看完下面一图就明白了
卷积其实就是一个滑动窗口，在对每一个滑动到的位置进行对应的位置相乘，然后求滑动窗口总和的一个过程。
（1）局部感受野
输入图像通过卷积核完成卷积处理后，卷积的结果就是我们需要提取的局部特征，也被称为感受野，所以说卷积核的大小就对应着感受野的大小，也叫局部感受野，后面可能会学到多尺度卷积的概念，正是这个道理。
举个直观的例子，卷积图中235作为一个特征，对应的为原图中0，25，75，0，75，80，0，75，80这个区域的特征。
（2）共享权重和偏差
假设我们想要检测一张图像中是否含有猫，那么利用卷积核提取到猫的特征后，此时来了一张新的图片需要我们辨别一下是否含有猫，此时我们第一反应肯定是用原来的卷积核对新的样本图像进行卷积提取特征，然后进行判别。而权值共享正式这个概念，无差别权重和偏差集，这样，每层神经网络都将学习到的一组与位置无关、来源于图像的潜在特征。
池化
池化层的最主要作用是特征降维，我们识别一张图像的时候往往需要的是最突出的特征，因此我们利用池化操作对特征进行降维，去除冗余的信息。一般的池化有最大池化和平均池化，接下来以最大池化为例进行说明，如图，步长为2时，最大池化效果如下
本文主要讲了卷积神经网络的相关概念，至于卷积神经网络的使用方法，将在下一篇博文中用代码进行详细的说明。
