到减少每层权重误差的方向通过从周末开始。卷积和循环网络多层感知器非常适合特征向量具有固定长度且不是很大的问题但并不总是满足此条件。例如考虑对光栅图像进行分类的问题。假设我们要训练个模型来区分照片中的狗和猫。这里的输入向量就是图片本身至少由几万个像素组成。如果我们创建个具有适当大小层的全连接网络由于所需的计算量巨大将很难进行训练。因此种特殊类型的神经网络卷积神经网络更常用于图像分析。
在这样的网络中隐藏层的神经元不是从前层的所有神经元接收 亚美尼亚电子邮件列表 信息而是仅从少数神经元接收信息彼此相邻。使用输入层和隐藏层的二维结构对应于原始图像的形状。向底层神经元供应数据的层的区域通常是固定大小有时是维棒或的矩形窗口。可以想象窗口在图层矩阵上滑动将其计算出的个图像点投射到下层。需要注意的是卷积网络中的权重与窗口本身有关但与其当前位置无关。
也就是说个的窗口是相同的个权重系数而不管它在这个特定时刻到达的位置。这样的窗口称为过滤器卷积网络的每层通常有很多过滤器数十甚至数百个但每个很少超过像素。除了带有过滤器实际上是卷积层的层之外还可以包括降尺度层它们通常称为池化层和完全连接层后者通常构成网络的输出块。每个过滤器都经过训练可以识别自己的图像片段模式例如具有特定倾斜角度的直线段。