卷积神经网络（Convolutional Neural Network， CNN），是深度学习技术中极具代表性的网络结构，它的应用非常广泛，尤其是在计算机视觉领域取得了很大的成功。CNN相较于传统的图像处理算法的优点就在于，避免了对图像复杂的前期预处理过程（即大量的人工提取特征工作），也就是说CNN能够直接从原始像素出发，经过极少的预处理，就能够识别视觉上面的规律。
我们将探讨CNN的网络结构~
- 卷积层：CNN网络的核心结构，通过局部感知和参数共享两个原理，实现了对高维输入数据的降维处理，并且能够自动提取原始数据的优秀特征。
- 激活层：它的作用与传统DNN网络的激活层一样，把上一层的线性输出，通过非线性的激活函数进行处理：sigmoid函数，ReLU函数等。
- 池化层：也称为子采样或下采样层，是CNN网络的另一个核心结构层。通过对输入数据的各个维度进行空间的采样，可以进一步降低数据规模，并且对输入数据具有局部线性转化的不变性，增强网络的泛化处理能力。
- 全连接层：等价于多层感知器，经过前面的卷积层和池化层的反复处理后，一方面，输入数据的维度已经下降至可以直接采用前馈网络来处理；另一方面，全连接层的输入特征是经过反复提炼的结果，因此比直接采用原始数据作为输入所取得的效果更好。
绝大多数将CNN应用到图像上，另外，还可以应用到自然语言处理中国，主要是考虑到CNN优秀的特征提取能力；以及运算效率的需要，CNN作为目前计算机视觉领域应用最广泛的模型，其核心是线性卷积运算，很多线性代数运算哭都实现了卷积的加速操作，将卷积加速的通常做法是将卷积操作转化为矩阵运算，提高了计算的并行度，通过结合GPU等硬件设备来进行加速。
