但人工神经网络仍然存在许多问题，其中最主要的是BP求解引起的梯度消失和梯度爆炸问题，卷积神经网络可以解决这些问题。 我们找到了最好的过滤器来提取好的特征； 同时，我们有助于找到最好的神经网络，对这些特征进行分类，得到准确的分类结果。

人工神经网络( Artificial Neural Networks，简称ANNs )也简称神经网络( NNs )或连接模型( Connection Model )，是动物神经网络我这个专栏想拨开大雾，帮助我理解什么是卷积神经网络的核心。 年，著名的阿尔法狗战胜李世石，让大众记住了名词——卷积神经网络。

1、卷积神经网络比神经网络的优点

这些卷积层产生记录图像的区域的特征图，该区域最终被分割为矩形，被发送用于非线性处理。 CNN使用RELU作为激活函数(激发函数)，传统的神经网络使用sigmoid函数作为激活函数。 网络上关于卷积神经网络的报道很多，但是很多报道引入了太多的细节和公式，读完之后只会有不清楚的感觉。 对卷积神经网络的理解还停留在公式的水平上。 这些因素都引起了传统神经网络的不适应性，因此没有得到比较广泛的运用。

2、一般神经网络和卷积神经网络区别

因此，卷积神经网络是一种同时训练特征提取器和分类器的分类模型。 一时间，卷积神经网络在计算机视觉、自然语言处理、医学图像处理等领域风头正劲，可谓独领风骚。 传统神经网络的结构是完全连接的结构，也增加了参数训练的难度。 分类器模型是人工首先确定一个框架(如SVM、神经网络、随机森林等)，基于该结构，利用训练数据确定该框架的具体参数。

该神经网络计算模型使用多层传感器的变体，包括一个或多个可以完全连接或池化的卷积层。 虽然CNN的每一层具有不同的功能，但传统神经网络的每一层都是对上层特征进行线性回归和非线性变换的操作。