卷积神经网络（CNN）及其应用 1主要内容 卷积神经网络诞生背景与历程 卷积神经网络的结构 卷积神经网络应用LeNet-5手写数字识别 2深度学习的优势 深度学习通过学习一种深层非线性网络结构，只需简单的 网络结构即可实现复杂函数的逼近，并展现了强大的从大 量无标注样本集中学习数据集本质特征的能力。 深度学习能够获得可更好地表示数据的特征，同时由于模 型的层次深）、表达能力强，因此有能力表示大规模数 据。 对于图像、语音这种特征不明显（需要手工设计且很多没 有直观的物理含义）的问题，深度模型能够在大规模训练 数据上取得更好的效果。 卷积神经网络(ConvolutionalNeuralNetworks：CNN)是人工 神经网络(ANN)的一种，是深度学习的一种学习算法。它在图 像识别和分类、自然语言处理广告系统中都有应用。 CNNs它利用空间关系减少需要学习的参数数目以提高一般前 向BP算法的训练性能。CNNs作为一个深度学习架构提出是为 了最小化数据的预处理要求。在CNN中，图像的一小部分（局 部感受区域）作为层级结构的最低层的输入，信息再依次传输 到不同的层，每层通过一个数字滤波器去
