1.卷积神经网络基本结构结构

卷积神经网络采用类似于动物视觉皮层组织中的神经元的连接模式，是一类包含卷积神经网络且具有深度结构的前馈神经网络。其基本结构如图2-1所示，大致包括：卷积层，激活函数，池化层，全连接层，输出层。

                                                （图1-1  传统神经网络结构）

输入层：输出尺寸为W1*H1*3(3表示RGB图像对应通道)，其作用是作为卷积神经网络的原始输入，一般是原始或预处理后的像素矩阵。

卷积层：输出尺寸为W1*H1*K（K表示卷积层中卷积核（滤波器）的个数），用于实现参数共享，局部连接，利用平移不变性从全局特征图提取局部特征。

激活层：输出尺寸为W1*H1*K，用于将卷积层的输出结果进行非线性映射

池化层：输出尺寸为W2*H2*K（W2*H2为池化特征图的尺寸，在全局池化中对应为1*1），池化层可用于进一步筛选特征，可以有效减少后续网络所需要的参数量，在降低数据维度的同时防止过拟合。

全连接层：输出尺寸为（W2*H2*K）*C （W2*H2*K是将多维特征压缩到一维之后的大小，C对应图像类别个数），将多维特征展平为二维特征，通常低维度对应任务的学习目标。

2.专业名词

在连接卷积神经网络结构之前我们应该先了解以下几个概念“

①特征图：即中间激活层的输出，他们可以被进一步处理和传递到后续的层中。特征图的大小和数量取决于卷积核的大小和数量，以及卷积的步长和填充方式等参数。

②感受野（receptive field）：这一概念来自生物神经科学，是指感觉系统中任一神经元，其所受到的感受器神经元的支配范围。在深度学习中指的是卷积神经网络每一层输出的特征图（feature map）上的像素点映射回输入图像上的区域大小。

感受野的计算：

③权值共享：