开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第十二天，点击查看活动详情
总结：此文为12月更文计划第十二天第十七篇。
1.为什么要载入卷积神经网络
今天开始卷积神经网络的学习
◆卷积神经网络
◆(卷积层+(可选)池化层)N+全连接层M
N>=1,M>=0
卷积层的输入和输出都是矩阵，全连接层的输入和输出都是向量
加入卷积层后，其图片识别效果就是要比没有加卷积层的识别效果要好，比只有全连接的效果要好很多很多，所以现在的卷积层是几乎每一个模型都要用的，也是很基础的一部分。
矩阵和向量的区分，一维就是向量，二维就是矩阵
在最后一层的卷积上，把它做一个展平，这样就可以和全连接层进行运算了
为什么卷积要放到前面，因为展平丧失了维度信息，因此全连接层后面不能再放卷积层
全连接层的神经网络：
全连接层：
首先是网上的一个图片进行举例，这也是很经典的例子，一般在学习的过程中都要拿这个进行举例：
一张图片在进行全连接层的时候，即是没有卷积的时候，会进行这样子的采样。
举例：现实中的图片尺寸都是很大的，比如1000*1000大小再加上三通道，在展平之后，要进入模型的数据太多了，要有一百万个数据进行运算，一张图片就有这么多数据要进行运算，所以是：
◆参数过多内存装不下
举例:
●
图像大小 1000*1000
一层神经元数目为 10^6
●
全连接参数为 1000100010^ 6=10^12
一层就是 1 万亿个参数，内存装不下
神经网络遇到的问题 2
◆参数过多容易过拟合
◆计算资源不足
◆容易过拟合,发生过拟合，我们就需要更多训练数据，但是很多时候我们没
有更多的数据，因为获取数据需要成本
这个时候就需要提出卷积神经网络来进行运算啦.
