1、CNN介紹
卷積神經網絡（簡稱CNN）是一類特殊的人工神經網絡，是深度學習中重要的一個分支。CNN在很多領域都表現優異，精度和速度比傳統計算學習算法高很多。特別是在計算機視覺領域，CNN是解決圖像分類、圖像檢索、物體檢測和語義分割的主流模型。
CNN每一層由衆多的卷積核組成，每個卷積覈對輸入的像素進行卷積操作，得到下一次的輸入。隨着網絡層的增加捲積核會逐漸擴大感受野，並縮減圖像的尺寸。
CNN是一種層次模型，輸入的是原始的像素數據。CNN通過卷積（convolution）、池化（pooling）、非線性激活函數（non-linear activation function）和全連接層（fully connected layer）構成。
如下圖所示爲LeNet網絡結構，是非常經典的字符識別模型。兩個卷積層，兩個池化層，兩個全連接層組成。卷積核都是5×5，stride=1，池化層使用最大池化。
通過多次卷積和池化，CNN的最後一層將輸入的圖像像素映射爲具體的輸出。如在分類任務中會轉換爲不同類別的概率輸出，然後計算真實標籤與CNN模型的預測結果的差異，並通過反向傳播更新每層的參數，並在更新完成後再次前向傳播，如此反覆直到訓練完成 。
與傳統機器學習模型相比，CNN具有一種端到端（End to End）的思路。在CNN訓練的過程中是直接從圖像像素到最終的輸出，並不涉及到具體的特徵提取和構建模型的過程，也不需要人工的參與。
2、CNN歷史
隨着網絡結構的發展，研究人員最初發現網絡模型結構越深、網絡參數越多模型的精度更優。比較典型的是AlexNet、VGG、InceptionV3和ResNet的發展脈絡。
3、CNN搭建
在Pytorch中構建CNN模型非常簡單，只需要定義好模型的參數和正向傳播即可，Pytorch會根據正向傳播自動計算反向傳播。
在本章我們會構建一個非常簡單的CNN，然後進行訓練。這個CNN模型包括兩個卷積層，最後並聯6個全連接層進行分類。