卷积神经网络（CNN）结构与工作原理详解

# 卷积神经网络（CNN）
- 输入层
  - 原始图像
    - 数据类型
      - 二维数组
      - 彩色图像（RGB）或灰度图
    - 高度
    - 宽度
    - 颜色通道数
- 卷积层
  - 特征提取
    - 卷积操作
      - 卷积核（Filters）
      - 卷积步幅（Stride）
      - 零填充（Padding）
    - 产生特征图（Feature Map）
    - 局部连接
  - 共享权重
    - 参数减少
    - 对平移不变性的适应
  - 多个卷积核
    - 学习不同特征
- 激活层
  - 常用激活函数
    - ReLU（Rectified Linear Unit）
    - Sigmoid
    - Tanh
  - 引入非线性
    - 使模型能够学习复杂函数
    - 解决线性可分性问题
- 池化层
  - 降低特征图的维度
    - 最大池化（Max Pooling）
      - 选择区域内最大值
    - 平均池化（Average Pooling）
      - 计算区域内平均值
  - 减少参数数量
  - 控制过拟合
    - 降低模型复杂度
- 全连接层
  - 网络最后阶段
    - 特征图展平（Flattening）
    - 权重和偏置线性组合
  - 得出最终分类结果
    - 概率输出
    - 类别标签
- 输出层
  - 选择输出形式
    - Softmax函数
      - 多分类任务
    - Sigmoid函数
      - 二分类任务
- 损失函数
  - 评估网络表现
    - 计算输出与实际标签的差距
  - 常用损失函数
    - 交叉熵损失
    - 均方误差（MSE）
- 反向传播
  - 计算梯度
    - 基于损失函数的结果
  - 权重调整
    - 梯度下降法
      - 学习率选择
      - 动量法
  - 优化模型性能
    - 超参数调节