CNN：卷积到底做了什么？

卷积神经网络（Convolutional Neural Network, CNN） 是一种深度学习模型，专门用于处理具有网格结构的数据（如图像、视频等）。它在计算机视觉领域表现卓越，广泛应用于图像分类、目标检测、图像分割等任务。CNN 的核心思想是通过卷积操作从数据中提取局部特征，并逐步构建高层次的语义信息。

---

CNN 的基本结构

1. 卷积层（Convolutional Layer）

   • 卷积层是 CNN 的核心组件，负责从输入数据中提取局部特征。
   • 卷积核（Kernel/Filter） 在输入数据上滑动，计算局部区域的加权和，生成特征图（Feature Map）。
   • 卷积操作后通常会使用非线性激活函数（如 ReLU），以引入非线性能力，增强模型的表达能力。

2. 池化层（Pooling Layer）

   • 池化层用于降采样，减少特征图的尺寸，从而降低计算量并增强模型的鲁棒性。
   • 常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。

3. 全连接层（Fully Connected Layer）

   • 在卷积和池化操作之后，特征图会被展平并输入全连接层，用于最终的分类或回归任务。