CNN

CNN = Convolutional Neural Network（卷积神经网络）

👉 一种专门用于处理具有网格结构数据（例如图像）的深度学习模型。
核心思想是通过卷积层（Convolution）自动提取特征，而不是人工设计特征。

🔹 基本结构：

1. 输入层：输入图像（如 28×28×3）。

2. 卷积层（Conv Layer）：用卷积核（filter）扫描图像，提取局部特征。

   有两个方式了解：

   一、每个卷积核仅考虑一个特定领域，每个领域可能有多个卷积核（每个卷积核对应不同特征），不同领域检测同一特征的卷积核共享同一参数，stride 步长是两个领域相隔多远

   二、有一组卷积核分别扫描每层图像，stride 步长是一次走的长度

   

3. 激活层（ReLU）：引入非线性，提高模型表达能力。

4. 池化层（Pooling Layer）：降维、提取主要特征（常见 max pooling）。

​ 池化层不一定有，池化层的作用是降低图像的大小

5. 全连接层（Fully Connected Layer）：整合特征，输出分类结果。

6. 输出层（Softmax）：得到各类别的概率。

   CNN 对于图像放大，旋转做的不好，所以训练的时候需要将训练数据进行放大变形，增加训练的覆盖面积

🔹 常见应用：

• 图像分类（如识别猫狗）
• 目标检测（如YOLO、Faster R-CNN）
• 图像分割（如U-Net）
• 视频分析、医学影像识别等

🔹 代表性模型：

• LeNet-5（最早的CNN之一）
• AlexNet（ImageNet 冠军，开创深度学习热潮）
• VGG、ResNet、Inception、EfficientNet 等