CNN 是什么？

卷积神经网络是一种专门用于处理具有类似网格结构数据（如图像）的深度学习模型。它的灵感来源于人脑的视觉皮层，该皮层中的神经元只对视野中的特定区域敏感

简单来说，CNN 的核心思想是：与其让模型去一次性地看一张完整的图片，不如让它通过一个“小窗口”去扫描图片，逐块地提取特征，然后再把这些局部特征组合起来，形成对整个图像的理解。这种“局部到整体”的处理方式，使得 CNN 在图像识别、目标检测等领域取得了巨大成功

CNN 的核心构成

一个典型的 CNN 主要由以下几个核心层组成：

1. 卷积层

这是 CNN 最核心的部分。它通过一个被称为卷积核（Kernel）或滤波器（Filter）的小窗口，在输入图像上进行滑动扫描

卷积核：这个小窗口是一个矩阵，里面装着一系列权重
滑动：卷积核从图像的左上角开始，以一定的步长（Stride）向右和向下移动
计算：在每一次滑动到新位置时，卷积核会与它覆盖的图像区域进行点乘（Element-wise Multiplication），然后将结果相加，得到一个新的数值。这个新的数值代表了该区域的特征
特征图（Feature Map）：卷积核在整个图像上滑动完成后，会生成一个由这些新数值组成的矩阵，我们称之为特征图。这个特征图捕捉了图像中某种特定的局部特征，比如边缘、纹理或颜色

通过使用多个不同的卷积核，我们可以提取出图像中多种多样的特征

2. 激活层

在卷积层计算出结果后，通常会紧跟一个激活函数，例如 ReLU（Rectified Linear Unit）

作用：激活函数引入了非线性。如果没有激活函数，神经网络无论有多少层，最终都只会是线性的，无法学习和表达复杂的模式
ReLU：它的工作原理非常简单：ReLU(x) = max(0, x)。如果输入值大于0，它就保持不变；如果小于等于0，它就变为0。这使得模型能够更好地学习复杂的、非线性的特征

3. 池化层

池化层的作用是压缩特征图，减少数据维度，从而：

最常用的池化方法是最大池化（Max Pooling）：在一个小区域内（比如2x2），只保留最大的那个值，而舍弃其他值

4. 全连接层

在经过多层卷积和池化之后，图像的特征被抽象和压缩。这时，我们通常会使用一个或多个全连接层

5. 输出层

全连接层的最后一层通常是输出层，它负责给出最终的预测结果

CNN 的工作流程概览

29.3 卷积神经网络介绍

results matching ""