理工酷

神经网络是一组处理节点的集合，通常使用基于梯度下降的算法（例如随机梯度下降（SGD）算法）以有监督的方式端对端地以逐层方式进行训练。
神经网络以分层的方式学习，从而每个层都学习越来越多的抽象特征。第一层学习原始表示（例如边缘或颜色），而中层学习中间的抽象表示（例如对象部分），最后高层学习完整的对象（如猫脸）。
因此，网络的深度取决于此类层的数量。层数越高，网络越深，网络可以学习的抽象表示就越多，因此也称为“深度学习”（DL）。 DL表示神经网络，其中有很多层一层又一层地堆叠在一起。
卷积神经网络（convNet）是一种特殊类型的深层神经网络，它采用卷积+池化的交替层，每层包含可训练的滤波器组。滤波器组中的每个单独的滤波器都称为内核，它具有固定的接受域（窗口），该域在其下方的一层上进行扫描来计算输出特征图。
内核在扫描其下面的层时执行简单的点积+偏差计算，然后将结果通过激活函数（例如整流器）输入，计算输出图。然后，使用总池或最大池对输出图进行二次采样，为了降低对上层刺激失真的敏感性，后者更常见。
当功能变得特定于当前的问题时，此过程会交替进行。因此，convNet是一种深度神经网络，用于越来越多地学习越来越抽象紧凑的特征，这些特征随后可以用作识别问题的特征检测器。
这就是为什么典型卷积网络中的最后几层包含典型的完全连接的神经网络或支持向量机，以便从卷积层识别特征的不同组合的原因。

希望我的回答能帮助到你。