虽然现代神经网络概念较为简单，一般都是将神经网络堆叠在一起。但由于不同的网络架构和超参数选择，这些神经网络的性能会有很大变化。本章将按时间介绍卷积神经网络。

最近在折腾C++与Python之间图像传输的问题，踩了一些坑，记录之以飨后来者。

本文介绍卷积神经网络的第二部分。

本文介绍卷积神经网络（convolutional neural network，CNN）。卷积神经网络是专为图像数据设计的神经网络，其参数小于全连接的网络，而且卷积也便于在GPU中并行计算。因此，CNN广范围研究人员采用。CNN较为重要，因此分两篇文章介绍。

前几篇介绍了常用概念以及最简单的线性回归和多层感知机，本篇介绍深度学习中的关键步骤组件，如模型构建、参数访问与初始化、设计自定义层和块、将模型读到磁盘以及利用GPU加速运算。

多层感知机（Multilayer Perceptron, MLP）是最简单的深度网络。本文回顾多层感知机的相关内容及一些基本概念术语。

线性神经网络是深度神经网络的基础，本文介绍线性神经网络的相关内容。

深度学习采用的数据全部以张量的形式存储在内存中，然而我们拿到手的原始数据却不是张量形式，因此需要首先对数据进行处理，将其转换为张量形式，可以采用Python中的Pandas包来完成。

深度学习中需要大量对数据进行操作，本文以Pytorch框架为例，对常用的数据操作进行总结。

知识图谱表示（Knowledge Graph Representation）指的是用什么语言对知识图谱进行建模，从而可以方便知识计算。本文对知识表示的常见方法进行介绍。