卷积神经网络(CNN)

卷积神经网络(CNN),也被称为ConvNets或Convolutional Neural Networks,是一种深度学习神经网络架构,主要用于处理和分析具有网格状结构的数据,特别是图像和视频数据。CNN 在计算机视觉任务中表现出色,因为它们能够有效地捕获和识别图像中的特征,具有平移不变性(translation invariance)。

CNN的关键特征包括:

  1. 卷积层(Convolutional Layers):这些层使用卷积操作来扫描输入图像,从中提取局部特征。卷积操作是通过在输入数据上滑动一个小窗口(称为卷积核)来实现的,窗口的权重在整个输入上共享,这有助于减少网络的参数数量。

  2. 池化层(Pooling Layers):池化层用于减小特征图的尺寸,减少计算负担,并提高网络的平移不变性。常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。

  3. 激活函数:通常,CNN中的每个神经元都会应用一个激活函数,如ReLU(Rectified Linear Unit),以引入非线性特性,使网络能够学习更复杂的模式。
    ReLU(Rectified Linear Unit)激活函数