在另一个世界，曾经在标准图像标注集Image上，取得过举世瞩目的成就。
一般的全连接神经网络，是把输入数据看做一维的数组。
处理图形、图像时，一行、一行地读取像素点，然后拼接成一串数据。
这样一来，就忽略了行与行之间的二维关系。
而则是通过“卷积核”对图片进行滤波，从而提取图片的特征。
所谓卷积核，就是一个N行N列的数字矩阵。
卷积的过程，其实就是一个压缩图片的过程。
而“卷积核”的本质，就是一个二维的滤波器。
这样的做法，很好地保留了邻近像素之间的关联情况，所以在大型图像处理方面，往往会有非常出色的表现。
和其他神经网络相比，需要的参数比较少，使用起来更加迅速、有效。
在训练时，采用的是和BP网络相似的“反向传播”技巧。
一个经典的网络，通常包括输入层、卷积层、池化层、全连接层、输出层或者径向基层。
其中涉及到一些概念，比如“池化”、“局部感受野”、“共享权值”……
江寒原本对这些东西，只有个大概的了解，理解得并不算特别透彻。
这样一来，在研究的时候，很多东西都要现场推导。
因此这篇论文是他写得最费劲的一篇，足足花了一个多星期，才打通了全部障碍，形成了初步的腹稿。
传统的图像处理算法，一般都要进行预处理，比如F，如果不对图像进行压缩，那么计算量将会非常巨大，甚至根本无法实施。
但对于来说，预处理并不是必要的，很多时候，甚至可以直接用原始图像，作为输入数据。
所以，的实用价值也是非常显著的。
江寒所知道的，就有手写识别、语音识别、物体检测、人脸识别等许多应用方向。
“当年”震惊世界的围棋AI程序，阿法狗，其核心中也包含了卷积网络。
可以说，有了卷积神经网络，计算机视觉这个领域，才迎来了革命性的进步……
江寒花了好几天时间，终于将这篇论文写了出来。
反复校对，感觉没什么问题之后，就投给了一区期刊ICML（IionalferenaeLearning）。
这时，距离新年只剩下三天。
就在这样的忙碌中，时间走到了2012年最后一天。
12月31日晚上。
江寒临睡前，忽然发现信息栏里跳出了一行红字提示。
【学术点已偿清，系统UI重启中……】
【重启成功……】
【震惊商城重新激活，虚拟空间已开放……】
【界面重组中……重组成功】
江寒打开系统UI面板。
【学术点：1，24】。
可用的学术点终于不再是个负数了。
江寒欣喜不已。
然而，就在这时……
【警告：宿主剩余寿命已不足十年！】
【注意：这不是显示BUG，这不是BUG，这不是！】