卷积神经网络（CNN）

卷积神经网络处理任务的两大特性

局部感知

也就是可以识别局部的特征

图像不变性

也就是图像移动、旋转和光线亮度不一，图像的特征还是一样。

卷积神经网络的组成

卷积层

我们以33的卷积核为例：
卷积层的第一层的卷积核，只有9个像素点。我们只能关注到直线的特征。
卷积层的第二层的卷积核，有（99 = 81）个像素点。我们可以看到曲线的特征
以此类推，卷积层的层数越多，卷积核可以获取的特征就越丰富。

池化层

作用：是对卷积层提取的特征图进行降采样，从而减少参数数量、提取主要特征、增强模型的鲁棒性。
实现步骤：
1、区域划分：首先，将卷积层提取的特征图分成不重叠的区域（比如2x2的区域）。
2、特征提取：在每个区域内，池化层会选择一个特定的操作（比如最大池化或平均池化）来从这个区域中提取特征。
3、降采样：通过这些特定的操作，池化层会将每个区域内的特征进行降采样，从而减少特征的维度和数量。
4、保留关键信息：池化层的操作有助于保留主要特征，丢弃次要信息，从而提高模型的鲁棒性和减少过拟合的风险。
卷积神经网络的图像不变形也主要得益于池化层。

全连接层

全连接层的主要功能是对卷积层提取的特征进行整合与分类，最后得出预测结果。其主要步骤如下：
1、提取特征：卷积层提取到特征
2、展开特征：将二维或三维的特征图“展开”，展开成一维的特征向量
3、权重连接：全连接层将这些特征向量与神经元进行“全连接”。特征向量与神经元建立权重连接。
4、非线性变换：每个神经元接到上层的特征向量输入后，会进行非线性变换。如给激活函数处理。