卷积神经网络结构示意图

输入层
接收原始图像或数据作为输入。
卷积层
卷积操作：通过卷积核（过滤器）在输入图片上滑动，提取特征。
特征图：卷积操作的结果，每个特征图代表一种特定的特征。
偏置项：给特征图添加一个常数。
激活函数：对特征图应用一个非线性函数，如 ReLU 或 Leaky ReLU。
池化层
池化操作：对特征图进行下采样，减少计算量和特征维度。
最大池化：选择每个区域的最大值。
平均池化：计算每个区域的平均值。
重复卷积和池化层
多个卷积层和池化层可以堆叠在一起，形成更深的网络。
每层提取不同的特征，复杂性逐渐提高。
全连接层
将特征图展开成一维向量。
使用全连接网络对特征向量进行分类或回归。
输出层
输出层的节点数等于分类的类别数（对于分类任务）或回归任务的目标维度。
示例网络结构
一个常见的 CNN 结构为：
Input -> Conv1 -> Pool1 -> Conv2 -> Pool2 -> Conv3 -> Pool3 -> Flatten -> FC1 -> FC2 -> Output
其中：
Conv1-3：卷积层
Pool1-3：池化层
FC1-2：全连接层
Flatten：将特征图展开成一维向量
其他层
CNN 还可以包含其他层，例如：
批归一化层：减轻训练过程中的内部协变量偏移。
丢弃层：随机丢弃神经元，防止过拟合。
注意力机制：引导网络关注图像中的重要区域。