卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡（Feedforward Neural Networks），是深度學習（deep learning）的代表算法之一。卷積神經(jīng)網(wǎng)絡具有表征學習（representation learning）能力，能夠按其階層結構對輸入信息進行平移不變分類（shift-invariant classification），因此也被稱為“平移不變人工神經(jīng)網(wǎng)絡（Shift-Invariant Artificial Neural Networks, SIANN）”。對卷積神經(jīng)網(wǎng)絡的研究始于二十世紀80至90年代，時間延遲網(wǎng)絡和LeNet-5是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡；在二十一世紀后，隨著深度學習理論的提出和數(shù)值計算設備的改進，卷積神經(jīng)網(wǎng)絡得到了快速發(fā)展，并被應用于計算機視覺、自然語言處理等

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡（Feedforward Neural Networks），是深度學習（deep learning）的代表算法之一。卷積神經(jīng)網(wǎng)絡具有表征學習（representation learning）能力，能夠按其階層結構對輸入信息進行平移不變分類（shift-invariant classification），因此也被稱為“平移不變人工神經(jīng)網(wǎng)絡（Shift-Invariant Artificial Neural Networks, SIANN）”。對卷積神經(jīng)網(wǎng)絡的研究始于二十世紀80至90年代，時間延遲網(wǎng)絡和LeNet-5是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡；在二十一世紀后，隨著深度學習理論的提出和數(shù)值計算設備的改進，卷積神經(jīng)網(wǎng)絡得到了快速發(fā)展，并被應用于計算機視覺、自然語言處理等收起