1. 基本概念
定义：CNN是一种前馈神经网络，它的人工神经元可以对输入的图像数据进行响应，并且可以检测图像中的局部特征，如边缘、纹理等。这种能力使得CNN在图像识别、分类、目标检测等领域表现出色。
2. 工作原理
卷积层：这是CNN的核心层，负责从输入数据中提取特征。卷积层通过应用一组可学习的滤波器（或称核）到输入图像的不同位置，产生一个特征映射（Feature Map）。每个滤波器专注于捕捉特定类型的局部特征。
激活函数：通常在卷积操作之后应用非线性激活函数，如ReLU（Rectified Linear Unit），以增加模型的非线性表达能力。
池化层：也称为下采样层，用于减少特征映射的空间尺寸，从而减少参数数量和计算量，同时保留最重要的信息。常见的池化方法有最大池化（Max Pooling）和平均池化（Average Pooling）。
全连接层：在网络的末端，通常是几个全连接层，用于将前面提取到的特征组合起来，进行最终的分类或回归任务。
3. 主要组成部分
卷积核（Filter/Kernel）：小的矩阵，用于与输入图像的各个部分进行点乘操作，生成新的特征映射。
步长（Stride）：卷积核移动的步数，决定了输出特征图的大小。
填充（Padding）：为了保持输出大小不变或控制输出大小，在输入图像边界添加额外的像素值。
零填充（Zero-padding）：一种常用的填充方式，通过在输入图像周围添加零来实现。
4. 训练
数据增强：通过对训练集中的图像进行旋转、缩放、裁剪等操作，增加模型的泛化能力。
正则化：采用Dropout、权重衰减等技术防止过拟合。
优化器选择：如Adam、SGD等，根据具体任务选择合适的优化器。
