1 卷积神经网络：输入层
之前提到多层感知机的参数太多，导致训练耗时长并且对图像处理也不具有优势，因此大神们 就提出了多层神经网络，其中最经典的是卷积神经网络(Convolution Neural Network, CNN)。
一般 CNN网络分为输入层、卷积层、池化层、全连接层及输出层。以CNN中最经典的LeNet5网络结构来说明。LeNet5的结构为“输入层--卷积层1--池化层1--卷积层2--池化层2--全连接层1--全连接层2--输出层”，如下图所示：
输入层：主要是对输入数据进行求均值处理，使得样本数据的中心尽量调整到坐标系原点，包括将数据输出成特定格式，通过主成分分析PCA进行降维。总的来说，就是把输入数据尽量弄的少点，但又能代替原数据。
2 卷积神经网络：卷积层
卷积层：通常采用二维卷积计算对图像进行卷积，从而提取输入数据的关键特征，达到增强特征信息，过滤无用信息的目标，并为下一层输出特征图。
1、首先，先讲下关于卷积层的2个概念，一个是卷积核（又叫过滤器），一个是感受野。
卷积核：通过卷积核是 三维矩阵，由宽度、高度、深度三个参数组成。主要用于卷积过程中的加权求和
不同的卷积核效果也不一样 ，有些对颜色信息敏感，有些对图形形状敏感，因此一个CNN网络通常有多个卷积核。
感受野：卷积核作用的卷积窗口对应于原输入特征图的部分
上图为感受野示意图
按我当前的理解，卷积层输出的特征图就是感受野经过卷积核处理后输出的结果。
最后，经过卷积核处理后的输出，还需要通过激活函数处理，类似上次提到的阶跃函数。但是阶跃函数是线性的，而神经元本身也是线性的，因此一般常用的激活函数是sigmoid函数、tanh函数等非线性函数，从而增强神经网络的非线性拟合能力。
2、接着，讲讲卷积层的特性。
（1）局部连接
多层感知机用的是全连接模式，CNN采用的是局部连接模式。怎么理解？就是说在多层感知机里，多一个神经元需要处理同一块感受野；CNN中，一块感受野可能只由一个神经元处理。如下图右边所示。
（2）权重共享
由于每个神经元都有对应的权重数据，导致网络参数太多，无法快速调优网络；因此CNN采用的是权重共享，即所有神经元使用同一份权重数据。如下图右边所示。
3、再讲下卷积层计算方法
一种是直接卷积，就是对特征图进行边缘填充0，进行与权重矩阵相同维数的矩阵进行矩阵乘法。以示例图为例，将特征图外围扩展了一圈0，然后以每次左移的步长为2的频率进行与权重数据矩阵相乘。
▲此为直接卷积
第二种是矩阵乘法实现卷积。通过Img2Col函数将特征图和权重矩阵都展开成可实现相乘的维度，如下图
▲此为矩阵乘法卷积
针对卷积层的计算加速，又有5层层次的并行性，我不太感兴趣，就不去了解了。
书中提到，昇腾AI处理器采用的是矩阵乘法卷积的方式。而卷积层的参数量和计算量一般是神经网络中的重头，因此卷积层的合理设计可以算是一个产品的核心算法。
3 卷积神经网络：池化层
池化层：为了防止过拟合，通过在相邻卷积层之间进入池化处理，减少每一层特征值数目，保留主特征。
一般 池化处理是对不同位置区域提取具有代表性的特征值，如最大值、平均值，对应的池化函数即为最大池化和平均池化。池化层综合了输入特征图周围全部特征信息的反馈和影响，又减少了输出数据量，从而提升了神经网络的计算效率。
（这块技术，好像不是什么核心算法，因为作者也只是简单地带过。）
4 全连接层输出
全连接层相当于一个多层感知机，对不同输入特征进行分类。
5 总结
看了第一章，只能说大致了解了神经网络的概貌，对其中很多的数学公式推导、一些优化处理并没有深入了解。感觉自己看了也会一知半解，容易遗忘，就不去仔细阅读了。
好啦，下次就进入《昇腾AI处理器》的第二单--行业背景，如芯片加速理论、深度学习框架等。
作者：华为云合作开发者 鹏哥贼优秀