卷积神经网络和常规神经网络有什么区别？
Answers:
TLDR： 卷积神经网络是具有至少一个卷积层的神经网络的子类。它们非常适合捕获本地信息（例如，图像中的相邻像素或文本中的周围单词），以及降低模型的复杂性（更快的训练，需要更少的样本，减少过度拟合的机会）。
参见以下图表，该图表描述了包括深度传统神经网络在内的几种神经网络体系结构：
。
神经网络（NN）或更准确地说是人工神经网络（ANN）是一类机器学习算法，由于大数据和快速计算工具（大多数深度学习）的可用性，最近受到了很多关注（再次！）。算法本质上是ANN的不同变体）。
ANN的类别涵盖了几种架构，包括卷积神经网络（CNN），递归神经网络（RNN）（例如LSTM和GRU），自动编码器和深度信任网络。因此，CNN只是ANN的一种。
一般而言，人工神经网络是一组相互连接且可调的单元（又称节点，神经元和人工神经元），它们可以将信号（通常是实数值）从一个单元传递到另一个单元。单元（层）的数量，类型和相互连接的方式称为网络体系结构。
具体而言，CNN具有一层或多层卷积单元。卷积单元从前一层的多个单元接收输入，这些单元共同创建一个邻近度。因此，输入单元（形成一个较小的邻域）共享权重。
卷积单元（以及池化单元）特别有利于：
- 它们减少了网络中的单元数（因为它们是多对一映射）。这意味着，要学习的参数较少，这减少了过拟合的机会，因为该模型将比完全连接的网络复杂。
- 他们考虑了小社区中的上下文/共享信息。由于相邻输入（例如，像素，帧，单词等）通常会携带相关信息，因此在许多应用（例如图像，视频，文本和语音处理/挖掘）中，这一未来非常重要。
阅读以下内容以获取有关（深度）CNN的更多信息：
ps ANN不是“基于人脑的宽松系统”，而是一类受动物脑神经元连接启发的系统。
卷积神经网络（CNN）是具有体系结构约束的神经网络，可减少计算复杂度并确保翻译不变性（无论翻译如何，网络都会以相同的方式解释输入模式-在图像识别方面：香蕉是香蕉，无论香蕉在哪里。图片）。卷积神经网络具有三个重要的体系结构特征。
局部连通性：一层中的神经元仅与空间上靠近它们的下一层中的神经元相连。这种设计修剪了连续层之间的绝大多数连接，但保留了承载最有用信息的连接。这里所做的假设是输入数据具有空间意义，或者在计算机视觉的示例中，两个远像素之间的关系可能不如两个近邻重要。
权重共享：这是使CNN变得“卷积”的概念。通过强迫一层神经元共享权重，前向传递（通过网络馈送数据）等同于在图像上卷积滤镜以生成新图像。然后，对CNN的训练成为学习过滤器的任务（确定您应该在数据中寻找哪些功能）。
合并和ReLU： CNN具有两个非线性：合并层和ReLU函数。池层考虑输入数据块，并简单地传递最大值。这样做可以减小输出的大小，并且不需要学习任何附加参数，因此池化层通常用于调节网络的大小并使系统保持在计算极限以下。ReLU函数采用一个输入x，并返回最大值{0，x}。ReLU(x) = argmax(x, 0)。这为非线性增加了与tanh（x）或Sigmoid（x）类似的效果，以增加模型的表达能力。
进一步阅读
提到的另一个答案是，斯坦福大学的CS 231n课程对此进行了详细介绍。查看本书面指南和本讲座以获取更多信息。博客文章喜欢这一个和这一个也是非常有帮助的。
如果你仍然好奇，为什么细胞神经网络有他们做的结构，我认为读书是介绍，他们的论文，虽然这是相当长，或许检查出这个讨论亚·莱卡和克里斯托弗·曼宁约先天先验（我们之间时，做出的假设我们设计模型的架构）。