卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks），是深度學(xué)習(xí)（deep learning）的代表算法之一 。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)（representation learning）能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類（shift-invariant classification），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)。

1）卷積：對圖像元素的矩陣變換，是提取圖像特征的方法，多種卷積核可以提取多種特征。一個卷積核覆蓋的原始圖像的范圍叫做感受野（權(quán)值共享）。一次卷積運算(哪怕是多個卷積核)提取的特征往往是局部的，難以提取出比較全局的特征，因此需要在一層卷積基礎(chǔ)上繼續(xù)做卷積計算 ，這也就是多層卷積。

2）池化：降維的方法，按照卷積計算得出的特征向量維度大的驚人，不但會帶來非常大的計算量，而且容易出現(xiàn)過擬合，解決過擬合的辦法就是讓模型盡量“泛化”，也就是再“模糊”一點，那么一種方法就是把圖像中局部區(qū)域的特征做一個平滑壓縮處理，這源于局部圖像一些特征的相似性(即局部相關(guān)性原理)。

3) 全連接：softmax分類