卷积神经网络

卷积神经网络（Convolutional Neural Network, CNN）是一种专门处理网格状结构数据（如图像）的深度学习模型。其核心是利用卷积操作提取局部特征，通过层级堆叠逐步学习从低级到高级的抽象特征。

核心组件

卷积层通过一组可学习的卷积核（filter/kernel）在输入上滑动并进行卷积运算，生成特征图（feature map）。每个卷积核负责检测某种特定模式（如边缘、纹理、形状）。

卷积层具有两个重要特性：

池化层对特征图进行下采样，降低空间维度，减少计算量并增强平移不变性。常见的池化方式有最大池化（Max Pooling）和平均池化（Average Pooling）。

在卷积和池化操作提取到高层特征后，通过全连接层将特征映射到最终的输出（如类别概率）。

一个典型的CNN结构为：输入 $\to$ 卷积层 $\to$ 激活函数 $\to$ 池化层 $\to$ 重复多次 $\to$ 全连接层 $\to$ 输出

在卷积神经网络中，需要对卷积层的卷积核进行学习，同时也要对全连接层中的权重向量进行学习。通过反向传播算法，网络自动从数据中学习最优的卷积核参数。