改写：CNN是一种多层神经网络，它通过多层局部互相连接的神经元提取图像特征。深度学习是由多个基本神经网络结构组成，它的内部由多个可视层和隐含层相互连接。CNN只能接受前一网络层中少部分神经元的输入，使得可变调整参数减少，极大幅度地降低了参数优化的计算量。深度学习中的CNN在图像识别领域上的优异表现引起了人们的关注，部分研究者使用基于深度学习的CNN分类货运列车故障图像取得了不错的结果

CNN是一种多层神经网络，其通过多层局部互相连接的神经元提取图像特征。深度学习由多个基本神经网络结构组成，其内部包含多个可视层和隐含层相互连接。相较于其他神经网络，CNN只接受前一网络层中的少部分神经元输入，减少了可变调整参数，大幅度地降低了参数优化的计算量。在图像识别领域，基于深度学习的CNN表现优异，引起了研究者的关注。有些研究者使用基于深度学习的CNN对货运列车故障图像进行分类，取得了不错的结果。

相关问题

改写“卷积神经网络（CNN）是一种可以高效处理多维数据的神经网络模型。它是一种前馈神经网络，主要由卷积层、池化层和全连接层等构成。目前， CNN已广泛应用于图像处理。CNN的卷积层可以很好地感知图像的局部特征，并且可以感知像素和周围像素之间的关系。同时，卷积神经网络也具有分重的特点。”

卷积神经网络（CNN）是一种可以有效处理多维数据的前馈神经网络模型，由卷积层、池化层和全连接层组成。CNN的卷积层可以很好地捕捉图像的局部特征，并且可以感知相邻像素之间的关系，同时还具有参数共享的优点。目前，CNN在图像处理方面有广泛的应用。

改写 深度学习由Geoffrey Hinton等人于2006年提出，目的在于建立、模拟人脑进行分析学习的深度人工神经网络，模仿人脑的机制来解释诸如图像，声音和文本等数据。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度卷积网络是深度学习的一个分支，主要面向图像处理等任务。

2006年，Geoffrey Hinton等人提出了深度学习的概念，旨在建立和模拟人脑进行分析学习的深度人工神经网络，以模仿人脑的机制来解释图像、声音、文本等数据。深度学习通过组合低层特征形成更抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度卷积网络是深度学习的一个重要分支，主要用于图像处理等任务。