在神经网络的基础上卷积神经网络（是如何完成图像识别任务的？本文介绍了其相关基本原理起来看看吧。 上文介绍了神经网络的基础概念今天我们在神经网络的基础上看看卷积神经网络（是如何完成图像识别任务的。 、图像识别的痛点问题 在出现之前图像识别有两个大难题： 图像需要处理的数据量太大：图片是由像素构成的每个像素又由颜色数值构成用的手机摄像头随便拍张照片就是=.万个参数计算 电话号码库 量无疑是巨大的。

 图片内容多变导致准确率不高：

如果对同物体做翻转、位置变换等处理使物体以不同的姿态显示在图片中虽然物体本身并没有太大变化但却大大提升了图片识别的难度。 而可以有效的解决这两个问题它不仅可以大幅减少参数数量降低复杂度；还可以使用类似视觉处理的方式保留图像特征即使图像翻转、移动也可以进行有效的识别。

 人类的视觉原理 要理解的原理需要先了解人类的视觉原理。 人类判断物体的 内容委员会促进可持续性和规模化 大致过程：眼睛看到物体（瞳孔摄入像素然后发现物体的边缘和方向（初步处理接着判断物体的形状（抽象、最后根据形状判定是什么物体（进步抽象。

 我们可以发现上述过程其实就是个

神经网络低层级负责识别图像基础特征多个基础特征整合后变成上层的特征逐层处理最终在顶层判断出是什么物体。 这就是的基础思路。 、的基本原理 由卷积层、池化层、全连接层部分构成它们各自的作用如下： 卷积层：卷积层负责提取图像中的局部特征。

 池化层：池化层负责大幅降低参数量级在保留重要特征信息的息还 在短信中 有效的同时降低计算复杂度。 全连接层（  ：全连接层类似传统神经网络的作用根据卷积层和池化层处理过的数据计算出最终的结果。 我们先来看看卷积层卷积层提取局部特征的过程和人类视觉的提取特征类似如下图所示： 图中的黄色部分是个滤波器（我们称它为卷积核它是个小的矩阵。