卷积神经网络是一种专为处理网格状数据（如图像、视频、音频、时间序列）而设计的深度学习模型。其核心思想是通过局部感受野、权重共享和层次化特征提取，高效捕捉数据中的空间或时序模式。CNN 是计算机视觉领域的基石，并在其他领域（如自然语言处理、医学影像分析）广泛应用。
核心思想：
1. 局部感受野
传统神经网络：每个神经元与前一层的所有神经元连接（全连接），参数量大且忽略局部结构。
CNN 的改进：每个神经元仅连接输入数据的局部区域（如 3×3 的像素块），聚焦局部特征（如边缘、纹理）。
2.权重共享
卷积核（Filter）：用一个小的滑动窗口（如 3×3 的矩阵）扫描整个输入，同一卷积核在不同位置共享参数。
优点：大幅减少参数量，增强平移不变性（无论特征出现在图像的哪个位置，都能检测到）。
3.层次化特征提取
浅层：检测低级特征（边缘、颜色）。
中层：组合低级特征形成局部结构（如几何形状）。
深层：识别高级语义特征（如物体部件、整体类别）。
核心组件：
1.卷积层（Convolutional Layer）
功能：通过卷积核提取局部特征。
操作：滑动窗口计算输入与卷积核的点积，生成特征图（Feature Map）。
2. 激活层（Activation Layer）
功能：引入非线性，增强模型表达能力。
常用激活函数：ReLU（Rectified Linear Unit）、LeakyReLU、Swish。
3.池化层（Pooling Layer）
功能：降维、减少计算量，增强平移鲁棒性。
类型：最大池化和平均池化。
4.全连接层（Fully Connected Layer）
功能：将高层特征映射到最终输出（如分类概率）。
位置：通常位于网络末端（在卷积层和池化层之后）。
5.其他组件
批量归一化（Batch Normalization）：加速训练，缓解梯度消失。
Dropout：随机丢弃部分神经元，防止过拟合。