18、卷积神经网络（CNN）：从基础到预训练模型的全面指南

卷积神经网络（CNN）：从基础到预训练模型的全面指南

1. 理解卷积神经网络（CNNs）

卷积神经网络（CNNs）是深度学习中用于图像分类等任务的强大工具。一个基本的CNN通常由卷积层、池化层和全连接层组成。

• 卷积层 ：卷积层通过卷积核在图像上滑动来提取特征，生成特征图。卷积核是一个矩阵，通常为3×3，但也可以更大。在处理图像时，将卷积核放置在图像的左上角，将卷积核的值与下方的像素值相乘，然后将乘积相加得到中心像素的新值。卷积层使用多个卷积核，这些核的值在训练过程中通过学习进行调整。
• 池化层 ：池化层用于降低特征图的尺寸，常见的方法是最大池化和平均池化。最大池化将图像划分为2×2的像素块，并选择每个块中的最大值。池化层还可以通过设置卷积层的步长来实现图像尺寸的缩减。
• 全连接层 ：全连接层位于网络的末尾，用于对从瓶颈层（卷积层和池化层）提取的特征进行分类。对于二分类问题，输出层通常包含一个神经元并使用sigmoid激活函数；对于多分类问题，输出层包含每个类别的一个神经元并使用softmax激活函数。

下面是一个简单的CNN结构示例：

graph LR
    A[输入图像] --> B[卷积层1]
    B --> C[池化层1]
    C --> D[卷积层2]
    D --> E[池化层2]
    E --> F[展平层]
    F --> G[全连接层1]