深度学习卷积神经网络 CNN 结构特点有哪些？

典型的用于分类的CNN主要由卷积层+激活函数+池化层组成，最后用全连接层输出。卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的结果。

CNN 具有局部连接、权值共享、池化操作(简单说就是下采样)和多层次结构的特点。

局部连接使网络可以提取数据的局部特征。

权值共享大大降低了网络的训练难度，一个Filter只提取一个特征，在整个图片（或者语音／文本） 中进行卷积。

池化操作与多层次结构一起，实现了数据的降维，将低层次的局部特征组合成为较高层次的特征，从而对整个图片进行表示。

卷积神经网络学到的模式具有平移不变性（translation invariant），且可以学到模式的空间层次结构。

计算机视觉四大基本任务(分类、定位、检测、分割。