数据词典：卷积神经网络（Convolutional Neural Network）

赵老师

卷积神经网络（CNN:Convolutional Neural Network）是前馈型神经网络，层间无反馈，一般前面是较深的多层卷积层（包括池化层），后面是较浅的多层感知器（也称为全连接层）。基于大数据，CNN可以有效解决图像分类等模式识别问题。最早的卷积神经网络是Yann LeCun提出的LeNet。LeNet贡献了卷积层和池化层概念，奠定了CNN的基本形式。后来，AlexNet引入了GPU计算，使得深度CNN能够在可忍受的时间内完成训练。AlexNet的贡献还有：提出使用ReLU激活函数，降低了梯度爆炸和梯度消失的程度，加快了训练速度；提出了Dropout、数据增强等操作减少过拟合。其后的GoogleNet、VGG、ResNet等模型则使得CNN的卷积层数越来越深，甚至达到上千层。各种实践也标明，增加网络的深度比增加网络的广度能更有效地提高分类的准确率。但是，随着网络层次深度的增加，如何有效传递误差梯度，避免梯度消失或者梯度爆炸则成为关键问题。

【出处】鲍军鹏,张选平.人工智能导论（第2版）,机械工业出版社,2021年1月.