10.16读书报告

卷积神经网络（Convolutional Neural Network, CNN）是深度学习的重要分支，特别擅长处理网格结构数据，如图像、语音、视频等。相比全连接神经网络，CNN通过局部感受野、权重共享和池化等机制，大幅减少了参数量，提高了训练效率和泛化能力。

1. 卷积层（Convolutional Layer）

• 局部感受野：每个神经元只关注输入的局部区域，模拟人眼识别细节的方式
• 权重共享：同一卷积核在整个输入空间滑动，提取相同特征
• 多卷积核：不同卷积核提取不同特征（边缘、纹理、形状等）

2. 激活函数（Activation Function）

• 引入非线性，使网络能学习复杂模式
• 常用：ReLU、Sigmoid、Tanh

3. 池化层（Pooling Layer）

• 降低特征图尺寸，减少计算量
• 提高平移不变性
• 常见类型：最大池化、平均池化

4. 全连接层（Fully Connected Layer）

• 将高维特征映射为类别得分
• 通常位于网络末端

5. 反向传播与优化

• 误差通过反向传播算法计算
• 使用优化器（SGD、Adam等）更新参数

三、经典CNN架构示例

1. LeNet-5（1998）：手写数字识别的经典模型
2. AlexNet（2012）：ImageNet竞赛冠军，开启现代CNN时代
3. VGG（2014）：小卷积核+深层结构
4. ResNet（2015）：残差连接解决梯度消失问题