导读
前篇推文介绍了深度学习中最为基础和常见的一类网络——深度神经网络，也就是DNN，其源起于MLP网络，经过丰富的激活函数和反向传播算法的加持，使得网络在层数深的情况下能够有效训练，并大大增强了网络的信息表达能力（神经网络模型本质上是在拟合一个相对复杂的映射函数，随着网络层数的增加，能拟合逼近的映射函数可以越复杂，意味着信息表达能力越强）。
本篇继续深度学习三大基石之卷积神经网络（CNN）——一类在计算机视觉领域大放异彩的网络架构。
LeNet5——CNN的开山之作
前篇介绍了DNN网络，理论上通过增加网络层数可以逼近任意复杂的函数，即通用近似定理。但在实践过程中，增加网络层数也带来了两个问题：其一是层数较深的网络容易可能存在梯度消失或梯度弥散问题，其二是网络层数的增加也带来了过多的权重参数，对训练数据集和算力资源都带来了更大的考验。与此同时，针对图像这类特殊的训练数据，应用DNN时需要将其具有二维矩阵结构的像素点数据拉平成一维向量，而后方可作为DNN的模型输入——这一过程实际上丢失了图片像素点数据的方位信息，所以针对图像数据应用DNN也不见得是最优解。
在这样的研究背景下，卷积神经网络应运而生，并开启了深度学习的新篇章。延续前文的行文思路，本篇从以下几个方面展开介绍：
什么是CNN
CNN为何有效
CNN的适用场景
在PyTorch中的使用
01什么是CNN卷积神经网络，应为ConvolutionalNeuralNetwork，简称CNN，一句话来说就是应用了卷积滤波器和池化层两类模块的神经网络。显然，这里表达的重点在于CNN网络的典型网络模块是卷积滤波器和池化层。所以，这里有必要首先介绍这两类模块。
1.卷积滤波器
作为一名通信专业毕业人士，我对卷积一词并不陌生，最初在信号处理的课中就有所接触。当然，卷积操作本身应该是一个数学层面的操作，对两个函数f(x)和g(x)做卷积，其实就是求解以下积分：
这个卷积的数学表达形式很优美，但其实有些过于抽象。从计算机的角度理解，一个连续的函数积分是不便操作的，因为计算机只能接受离散的输入，所以上述卷积操作的离散表达形式便是：当然了，上述形式也只是从连续的积分形式变成了离散的求和形式。其中一个值得