1. 从多层感知机到卷积神经网络

DNN可以用到计算机视觉上么？为什么需要CNN？

答案是必然的，但是DNN有不少缺点，为此引入CNN。
一般情况下，图像数据比较大，意味着网络的输入层维度也比较大。当然可以对其进行处理，即使这样，假设处理完后图像变为2562563的彩色图，即输入的维度的值为196608。那么后面的隐藏层的神经元个数自然也能太少，假设为1024。仅仅一层的链接就有高达196608 * 1024的参数量。巨大的计算量给计算能力带来不小的挑战。
同时，模型的神经元数量大，可能会带来过拟合。

引入的CNN保持了层级网络结构，从输入到输出经过不同层次，不同层次有不同形式的运算或者功能。主要有以下层次：

1. 数据输入层/ Input layer - 数据预处理
2. 卷积计算层/ CONV layer
3. 激励层/ Activation layer - 非线性变换
4. 池化层/ Pooling layer - 下采样
5. 全连接层/ FC layer
6. 批归一化层/ Batch Normalization layer（可能有）