Convolutional Neural Network，卷積神經網絡，簡稱CNN，最近幾年再次流行起來。
CNN和普通的機器學習算法有什么相同，有什么不同？
簡單說，CNN=A+B，即CNN包括兩個方面的功能：
A：feature extactor 特征提取器
普通的機器學習算法，比如決策樹、隨機森林、svm、邏輯回歸/softmax等，它的輸入通常就是若干個features
而CNN的輸入，是圖片！
我們當然可以把圖像像素作為feature vector中的一個維度。但是這畢竟過於naive。往往並不怎么work。
CNN中的特征提取，是通過卷積層完成的。這里說的卷基層，包括狹義的卷積、池化（下采樣）。
個人認為，我們並不一定要把CNN中的卷積層看作傳統人工智能中的神經網絡的改進。因為真的有點勉強：傳統神經網絡的輸入就是一個個的feature vector，用作分類器或者回歸器。CNN的輸入則是圖片。
B：classifier or regressor 分類器或回歸器
CNN中的全連接層和輸出層，這個其實是和傳統的神經網絡一致的：處理的輸入是feature vectors，輸出的是類別label或者連續的預測數值
總結
CNN = 特征提取（卷積層）+ 分類（全連接層）
其中特征提取是說，feature是學出來的，而不是“手工設計的”（比如SIFT,SURF,ORB,HOG,LBP,HSC等）
但是這里還有一個疑問：學出來的feature應該是唯一的嗎？怎樣的學出來的特征算是“好的特征”？我們固然可以設計不同的網絡結構，來學習出不同的特征。但是怎樣的特征才是好的特征？以及，我們能否從特征學習的過程中，得到一些規律，用於輔助手工設計特征？畢竟搞一個CNN的話，要大量數據或者微調，而且需要GPU，並且還是一個black box缺乏理論支持的感覺。。
有想法的請留言。歡迎吐槽。