卷积神经网络流程

1. 输入：
输入数据为具有特定尺寸和通道数的图像。
2. 卷积层：
CNN 的核心操作。
应用一组可学习的滤波器（也称为卷积核）在输入图像上滑动。
卷积操作的结果生成一组特征图，每个特征图突出显示输入图像的特定模式。
3. 激活函数：
在卷积后应用一个非线性函数（例如 ReLU）以引入非线性。
这允许 CNN 学习复杂的关系。
4. 池化层：
减少特征图的空间尺寸，同时保留重要信息。
一般使用最大池化或平均池化。
5. 全连接层：
将最后的特征图展平为一个一维向量。
然后连接到一个完全连接的神经网络，用于分类或回归。
6. 输出：
输出层产生最终的预测，例如图像的类别或一个数值。
流程的重复：
上述步骤通常重复多次，构建一个具有多个卷积层、池化层和其他操作的深度网络。
流程的优化：
CNN 的训练过程使用反向传播算法。
计算预测和真实值之间的损失。
将损失反向传播到网络中。
调整卷积核和其他参数以最小化损失。
关键概念：
滤波器大小：卷积核的尺寸。
步幅：滤波器在图像上滑动的步长。
填充：在输入图像周围添加额外像素的方法，以控制输出特征图的尺寸。
深度：卷积层的数量。
通道：特征图的数量。