图2。3 LeNet-5卷积神经网络结构

从上图中，我们可以发现，从左向右，卷积神经网络由以下四个神经网络层组成：卷积层，池化层，全连接层以及分类层。并且卷积神经网络的工作流程如下：

向输入层输入大小为3232的原始图像，图像数据交替流入若干个卷积层和池化层中，并且在卷积层和池化层中分别进行卷积和池化操作（关于操作的细节在下面会进行详述）。通过卷积和池化操作的处理后，图像的特征被提取出来，并且得到的特征向量流入全连接层中，在全连接层中特征向量被进一步地计算拟合。然后将全连接层输出的特征向量输入到分类层中，经过分类层的处理，得到图像属于各个分类的概率大小。而卷积神经网络的训练过程，就是根据输入的样本集，不断调整各层的参数，使得卷积神经网络的结果更加准确。

关于卷积神经网络各层的原理，我们会在接下来的内容中详细介绍。文献综述

2。3卷积层

根据卷积神经网络的名字，我们就可以知道：卷积层是卷积神经网络的核心。并且相对于其他深层神经网络，卷积层是卷积神经网络的特殊之处。在卷积层中包含了卷积神经网络的两个最大的优势：局部感知和权值共享。

2。3。1局部感知

局部感知的思想源于生物学中对视觉系统结构的研究。一般认为，人们对外界的认知是从局部到全局的，并且对于图像而言，局部的像素之间的联系较为紧密，而距离较远的像素之间的联系则较弱。因此，对于深层神经网络，每一个神经元并不需要对全局去进行感知，只需要对局部进行感知。然后在更高的层中将不同神经元所感知到的局部特征综合起来，进而得到全局的特征。这对于深层神经网络而言，显著降低了需要训练的权值参数个数，如图2。4所示。

图 2。4 全局感知和局部感知的区别

如上图所示，对于一个大小为10001000的图像，若采用全局感知的方式，则需要10001000 = 1000000即1百万个神经元，也需要训练10001000 = 个权值参数。然而假入采用局部感知的方式，假设局部感受野为1010（即卷积核的大小为1010），则每个神经元只需要和这1010的局部区域相连接，且只需要100个权值参数。然后因为需要将图像扫描一遍，假设卷积核每次只移动一个像素单位，则需要的神经元个数为。也就是说需要训练的参数个数为：100。相比全局感知，大约降低了四个数量级。来;自]优Y尔E论L文W网www.youerw.com +QQ752018766-

由上可知，局部感知对于卷积神经网络作用巨大。但是，需要训练的权值参数数目还是很大。因此，卷积神经网络基于局部感知，进一步采取了另一个措施：权值共享。

2。3。2权值共享

关于权值共享，首先，我们知道人类神经中枢的神经细胞，它们的结构，功能相同，甚至是可以相互替代。那么，对于上面叙述的例子，每个神经元需要100个权值参数，需要的神经元数量为。假设神经元之间的权值共享（即让神经元像神经细胞一样具有相同的结构、功能），那么我们所需要训练的参数只有100个。这就是权值共享的作用。通过权值共享，参数数量由全局感知的降到100。

然而，这100个权值参数只对应了一种卷积核，只能提取一种特征，显然特征提取并不充分。为此，卷积神经网络采用了多卷积核的方法