神经网络卷积神经网络为什么用卷积神经网络

1、卷积神经网络主要做什么用的？

卷积网络的核心特性主要体现在参数共享机制与池化操作的应用上。
参数共享的原理在于，对于图像等具有结构特性的数据而言，不同区域可能蕴含相似的特征信息，因此可以将卷积核作为特征检测器，每一层负责识别不同的特征，而同一层中的各个核则在图像的不同位置寻找相同的特征。随后，这些基础特征会被组合并传递至后续层级，在更高层次中进行整合（通常情况下，深度网络难以明确描述后序层级所提取的具体特征）。
池化的引入则源于某些任务中降采样操作对最终结果无显著影响。通过池化操作不仅能够大幅减少模型的参数数量，还能使相同尺寸的区域包含更丰富的信息内容。
总而言之，所有具备此类特征的数据均适用于卷积网络进行处理。例如，在视频分析与文本处理领域也存在应用卷积网络的情况（当然，由于这两类数据属于序列信号类型，天然更适用于LSTM模型进行处理）。
此外，卷积网络本质上仅是一种工具，其使用方式取决于具体需求。如有需要，可自由调整池化与卷积的操作顺序，并通过改变网络结构以实现特定目标，并无需过分拘泥于既定框架的限制。

谷歌人工智能写作项目：小发猫

![](h