1樓：
以下內容參考了Stacked convolutional auto-encoders for hierarchical feature extraction, Jonathan Masci, Ueli Meier, Dan Ciresan, and J¨urgen Schmidhuber, 2011
In visual object recognition, CNNs [1,3,4,14,26] often excel. Unlike patch based methods [19] they preserve the input』s neighborhood relations and spatial locality in their latent higher-level feature representations. While the common fully connected deep architectures do not scale well to realistic-sized high-dimensional images in terms of computational complexity, CNNs do, since the number of free parameters describing their shared weights does not depend on the input dimensionality.
不像基於補丁的方法，CNN可以保留鄰域的聯絡和空間的區域性特點，和常見的全連線深度結構相比，CNN處理實際尺寸的高維影象也毫無難度，因為CNN基於的是共享卷積核的結構。
就我個人而言，使用CNN進行特徵提取，優點就是使用者完全不用關心具體的特徵是哪些，即實現了特徵提取的封裝。
缺點：給網路效能的改進罩上了一層黑盒子。
但大量的應用證明：在OCR領域，CNN的優勢是絕大多數模型難以匹敵的。
CNN（卷積神經網路） RNN（迴圈神經網路） DNN（深度神經網路）的內部網路結構有什麼區別？
可可噠 寫一點個人理解吧。CNN 它是以 層 layer 為單位的，每一層的結構可以完全不一樣。常見的CNN層有卷積層 池化層 softmax層 池化層 這些基礎層之上還有諸如ResNet的遠連線，GoogLeNet的Inception層，用來實現一些特定的功能 深層網路 多尺度特徵提取等 RNN ...
卷積神經網路中卷積核是如何學習到特徵的？
去太平洋游泳 在深度學習沒出來之前，cv方向早就有了卷積核的概念。卷積核的功能多種多樣，卷積核又叫濾波器。高通濾波器和低通濾波器用的也比較多。實現的功能也不一樣，銳化鈍化，去噪，平滑。不過高通濾波器和低通濾波器卷積核的引數是固定的，提取的特徵也是單一的。後來深度學習出現了，有了自動提取特徵的功能。主...
python中神經網路，機器學習，深度學習，人工智慧的關係？
冰笛 在紙上畫一顆樹，那麼樹冠可以比作是機器學習，其中的一部分枝蔓比作神經網路，這其中的一根比較粗壯的相當於深度學習 整棵樹是人工智慧的乙個剪影，而python則是畫筆和紙。 教員的好學生 python是一門語言，神經網路，機器學習，深度學習是演算法，人工智慧是工程，神經網路是機器學習的一種演算法，...