CNN卷积神经网络-概述

1.神经网络基础

2.计算机视觉基础

3.传统神经网络结构

4.全局感知和权值扫描

5.卷积神经网络结构

6.回顾线代矩阵和向量点积

7.卷积算法基本原理

8.卷积神经网络层次分解

9.输入层的特征提取

10.卷积层的卷积三轮分解

11.sigmoid激活函数特征提取和凸优化

12.激活层特征分析

13.隐含层特征值优化

14.池化层特征抽象

15.一维卷积，二维卷积，三维卷积计算和特征值合并

16.三维卷积合并为一维矩阵

17.局部感知和权重共享

18.输出层激活提取值并计算泊松分布结果

19.对泊松分布结果基于全概率公式和傅立叶变换分析概率

20.基于极大似然估计对多个输出值进行概率计算

21.基于方向导数和泰勒公式逼近mle的结果

22.设定模型相似度阀值

23.梯度下降模型训练

24.模型训练结果同阀值对比，如果误差率在欠拟合和过拟合结果之间，则相似度高，根据相似度输出相似度最大的3个图像预测结果即可。

涉及到的以往知识点如下：

1.高数数学分析的taylor公式和方导，梯度下降

2.高数线性代数的矩阵和向量点积计算，傅立叶变换

3.高数概率论数理统计的泊松分布，极大似然估计

4.机器学习的拟合问题解决方案

5.机器学习的激活函数和特征工程

6.机器学习的精准率和F1指标，哑编码

7.Python numpy，pandas库

8.Python机器学习框架scikit learn

开发环境：anaconda3.5，jupyter notebook