随着科学技术的不断进步和发展，人工智能成为了如今的一大热门方向。拥有高度智慧的人脑，自然而然成为了最好的模仿对象，神经网络的概念也应运而生。
人脑中有860亿个神经元，这被认为是支持我们思考的原因。人脑的神经元由一个细胞体和很多突触组成，能处理并传递各种电信号，依照人脑的神经元结构，人们构建了计算机的神经网络。神经网络由许多具有存储功能的节点构成，类比人脑，我们同样称这些节点为神经元。而神经网络的突触，在计算机模拟中则被抽象表示为具有权重的连接，决定了神经元存储内容的变化及传播方向。
人脑的工作模式，以识别物体为例，由视网膜接收光线并转化为电信号传递给神经元，神经元从中找出颜色、材质等基本信息，最终由大脑给出判定结果，识别出物体的种类。神经网络也同样如此，神经网络主要由输入层、隐含层和输出层组成。由输入层等效视网膜获取相应的信息，并转化为神经网络可理解的内容。隐含层对这些内容进行处理，起特征提取的作用，最终交由输出层得出判定结果。改造这些层的基本结构和处理方式，就产生了不同的神经网络模型，可在不同应用领域起不同的作用。
卷积神经网络CNN是一种采用卷积的方式对图像进行处理的网络结构。卷积神经网络的基本层级结构主要有：输入、输出层、卷积层、ReLU激励层、池化层和全连接层。其中，全连接层主要起分类或回归的作用，由于全连接层容易丢失一些特征信息，且带来冗余。因此，在特定应用场景中，人们丢弃了原本的全连接层，全部采用卷积层进行信息处理，即FCN模型。数据表明，FCN在进行像素级图像处理时，训练结果较好，因此也被广泛应用在各种图像处理方法中。
1.输入层与输出层
顾名思义，输入层与输出层分别起到的是数据接收与结果输出的作用。输入层通常会对接收的原始数据做一定的预处理。
2.卷积层
卷积神经网络中最主要的层自然是卷积层。所谓卷积，是一种利用卷积核进行特征提取的过程。卷积核是指一种带有填充值的权重矩阵，而原始图片经过输入层后会变成灰度或RGB数值填充的矩阵，卷积核在这个输入矩阵上以一定的距离（步长Stride）移动并计算，将两个矩阵中的元素分别点乘并相加，记录每一次计算得到的结果，可得到一个新矩阵。新矩阵能反映出图像的部分特征，因此被称为特征图。训练的过程便是给定数据和标签，使神经网络自动确定卷积核中的填充值。
3.池化层
池化层的主要功能是对特征提取的结果进行简化处理，减少计算量，提高训练速度。常用的池化手段有最大值池化（max-pooling）和平均值池化（mean-pooling）。其工作原理很简单，设定特定大小的池化区域，通常为2*2，在每个池化域内只保留最重要的信息（最大值或平均值），从而缩小特征图，减少计算机负载。
一般来说，通过池化的手段可解决特征提取过程中产生的特定误差。平均值池化可以减小领域大小受限带来的影响，保留更多背景信息，避免出现方差过大的情况；而最大值池化相较于平均池化，更关注纹理信息，能减小因卷积层参数误差导致的均值偏移。因此，两种池化的选择需要结合需求而定，也可结合使用，增加结果的可靠性。
- ReLU激活函数
神经网络中，卷积处理相当于矩阵的相乘，每一层输入的都是上层的线性函数，激活函数的引入，可给神经网络引入非线性因素，从而应用到各种非线性模型中。在卷积神经网络中，通常使用修正线性单元（The Rectified Linear Unit，ReLU）作为激活函数。相比于传统的sigmoid函数，具有防止梯度弥散、稀疏激活性和加快计算的特点。其计算公式如式（1）所示，对应的函数图像如图所示。
其中x为输入特征的数值。
