卷积神经⽹络和深度神经⽹络的区别是什么？⼈⼯智能技术有⼀种名为机器学习的⽅法，⽽机器学习当中⼜有⼀类名为神经⽹络的算法。
神经⽹络如图所⽰（这是⼀个简单的全连接神经⽹络）：每个圆圈代表⼀个神经元；每条直线
表⽰两个神经元之间相连接，并且是层与层之间的神经元才有连接，层内的神经元之间没有连
接；从左到右依次为输⼊层（Input layer）、隐藏层（Hidder layer）和输出层（Output
layer）。输⼊层负责接收并输⼊数据，⼈们可从输出层获取神经⽹络输出的数据，⽽隐藏层
（对外部是不可见的）很明显处在输⼊层与输出层之间。当隐藏层⽐较多（⼤于2）的神经⽹络
就是深度神经⽹络。所谓的深度学习，就是运⽤深层架构如深度神经⽹络的机器学习⽅法。
需要特别指出的是，⼀个仅有单个隐藏层的神经⽹络就已能够拟合任何⼀个函数，但这样的浅
层⽹络通常需要很多很多的神经元；深层⽹络与浅层⽹络相⽐，在拥有少得多的神经元便可拟
合同样且任意⼀个函数。⼀个浅⽽宽的⽹络（浅层⽹络），或者⼀个深⽽窄的⽹络（深层⽹html获取input输入的数据
络），均可拟合同⼀个函数，后者往往更节约资源。当然，深层⽹络同样有⼀个很显著的劣
势。简⾔之，⼈们需要⼤量的数据，运⽤很多的技巧才可能训练好⼀个深层⽹络。
于是可得，神经⽹络，其实就是按照⼀定的规则⽽连接起来的多个神经元。⽽神经⽹络的结构
就有多种了，其中就包括了卷积神经⽹络。
卷积神经⽹络是⼀种更适合处理图像、语⾳识别任务的神经⽹络结构。卷积神经⽹络的英⽂全
称为Convolutional Neural Network，与之对应的英⽂简称那就是CNN。不可否认的是，卷积神
经⽹络在⼈⼯智能的研究与应⽤当中，已然成为了⼀种相当重要的神经⽹络。特别是在最近这
⼏年，卷积神经⽹络可谓⼤放异彩，⼏乎所有的图像、语⾳识别等重要的突破均由卷积神经⽹
络取得。⽐如，⾕歌的GoogleNet、微软的ResNet；⾕歌的AlphaGo曾经击败了围棋⾼⼿李世
⽯，实际上也运⽤了卷积神经⽹络。
卷积神经⽹络如图所⽰：⼀个卷积神经⽹络由若⼲的卷积层、Pooling层、全连接层组成。并
且，⼈们可以构建各种不同的卷积神经⽹络，常⽤的架构模式INPUT -> [[CONV]*N ->
POOL?]*M -> [FC]*K。亦即是N个卷积层叠加，然后(可选)叠加⼀个Pooling层，重复这个结构M
次，最后叠加K个全连接层。
好了，卷积神经⽹络与深度神经⽹络之间到底有什么区别？现在答案再明晰不过了。当然，如
果站在更专业化的⾓度来看，其实还是该代⼊⼤量的数学（公式）计算并作更详细的阐述。再
有，⼈⼯智能是门⾮常有趣的学科。