卷积神经网络是一类乾坤二卦卷积层计算出且具备底结构的前馈神经网络，是深度学习的代表算法之一。
卷积神经网络具高表征学习能力，都能够按其阶层结构对键入信息并且平移变分类，但也被一般称“平移增加人工神经网络”。
对卷积神经网络的研究始于二十世纪80至90年代，时间服务器延迟网络和lenet-5是初几会出现的卷积神经网络；
在二十一世纪后，伴随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被源源不断运用于计算机视觉、自然语言处理等领域。
卷积神经网络仿造生物的视知觉机制构建，也可以进行监督学习和非监督执行学习。
其流露层内的卷积核参数网络共享和层间再连接的稀疏性让卷积神经网络能够以较大的计算量对格点化特征，的或像素和音频进行学习、有比较稳定的效果且对数据就没额外的特征工程要求。
end-did-end训练：端到端的训练，从远古时期输入经神经网络换取终于预估的结果，没有中间结果不需要人工干预。
skipconnection连接到：一种网络结构，出处resnet，神经网络中的高速公路，让某些数据流到后面若干卷积层真接和更低级的特征图做融合为一，剩余大量上古时代信息；
concatenation连接到：有所不同input在channel层面的拼接方法。
一、计算方法完全不同
1、bp神经网络：是一种按照误差缓速能传播算法训练的多层反馈控制神经网络。
3、卷积神经网络：乾坤二卦卷积层换算且本身一定的深度结构的前馈神经网络。
二、用途不同
1、bp神经网络：
（1）函数步步逼近：用键入向量和相应的输出向量训练一个网络步步逼近一个函数；
（2）模式识别：用一个时间待定的输出向量将它与输入向量交流站了起来；
（3）类型：把键入向量所定义的合适并且分类；
（4）数据压缩：减少作为输出向量维数以便于日后传输或存储。
3、卷积神经网络：可运用于图像识别、物体识别等计算机视觉、自然语言处理、物理学和遥感信息科学等领域。
直接联系：
bp神经网络和卷积神经网络都都属于前馈控制神经网络，三者都不属于人工神经网络。因此，三者原理和结构相同。
三、作用不同
1、bp神经网络：本身很强的非线性映射能力和柔性高的网络结构。网络的中间层数、各层的神经元个数可据详细情况输入修改，另外紧接着结构的差异其性能也所相同。
2、卷积神经网络：具高表征学习能力，也能按其阶层结构对然后输入信息接受平移变分类。
