关于CNN卷积神经网络

CNN代表卷积神经网络（Convolutional Neural Network）

它是一种深度学习算法，特别适用于处理图像和视频数据。CNN由多个卷积层、池化层和全连接层组成，通过学习图像或视频数据的特征来进行分类、识别或检测任务。与传统的全连接神经网络相比，CNN的参数数量较少，能够提取更多的空间特征，因此在图像处理和计算机视觉领域表现出色。CNN已经被广泛应用于图像分类、目标检测、人脸识别、自然语言处理等各种领域。【先局部，再整体】

卷积层：二维离散卷积操作。卷积层是神经网络中常用的一种层，主要应用于图像处理和语音识别等领域。卷积层通过将输入数据与卷积核进行卷积运算来提取特征。卷积层可以有效地减少网络中的参数数量，并且具有平移不变性，可以在输入图像发生平移时保持对特征的识别能力。

卷积层的卷积核通常是一个小的矩阵，该矩阵可以在输入数据上滑动，与输入数据的每个局部区域进行卷积运算。卷积运算可以将每个局部区域转换为一个新的特征，这些特征可以被用于下一层的处理。

卷积层通常包括多个卷积核，每个卷积核可以提取不同的特征。卷积层还可以包括池化层，用于对特征图进行降采样，以减少网络的参数数量。

卷积层的应用范围非常广泛，包括图像分类、目标检测、语音识别、自然语言处理等领域。在计算机视觉领域，卷积神经网络（CNN）通常是最先被使用的神经网络类型之一，而卷积层是CNN中最为重要的组成部分之一。

可以有多层卷积5:40该视频思路

卷积后会加入激活函数ReLu()

全连接层：全连接层是神经网络中最基本的一种层。在全连接层中，每个输入神经元都与下一层中的所有神经元相连。这意味着每个输入神经元都会对下一层中的所有神经元产生影响。

在全连接层中，每个输入神经元与下一层中的每个神经元都有一个权重。这些权重控制着输入神经元对下一层神经元的影响。全连接层通常会在网络的最后一层使用，以将网络的输出映射到目标输出。

全连接层可以用于分类、回归、文本处理、图像处理等任务中。但是，全连接层的参数数量随着输入神经元的增加而增加，这会导致网络变得更加复杂和难以训练。因此，在一些应用中，全连接层被其他类型的层所取代，如卷积层、循环神经网络等。