卷积神经网络（Convolutional Neural Network, CNN）是深度学习中专门用于处理网格状数据（如图像、视频、音频等）的神经网络模型，尤其在计算机视觉领域应用广泛。其核心思想是通过局部感知和参数共享高效提取空间特征。

CNN的核心组成部分

1. 卷积层（Convolutional Layer）

   • 作用：通过卷积核（filter）滑动扫描输入数据，提取局部特征（如边缘、纹理）。
   • 关键参数：
     • 卷积核大小（如3x3、5x5）
     • 步长（stride）：滑动步长（控制输出尺寸）
     • 填充（padding）：在输入边缘补零以保持输出尺寸
   • 输出特征图：每个卷积核生成一种特征响应。

2. 激活函数（Activation Function）

   • 引入非线性，常用ReLU（修正线性单元）：解决梯度消失问题，加速训练。

3. 池化层（Pooling Layer）

   • 作用：降维、减少计算量，同时保留关键特征。
   • 常见方式：最大池化（Max Pooling）、平均池化（Average Pooling）。

4. 全连接层（Fully Connected Layer）

   • 在网络的末端，将特征图展平后连接，用于分类或回归任务。

CNN的工作原理

1. 层次化特征提取

   • 低层卷积：检测简单特征（如边缘、颜色）。
   • 深层卷积：组合低级特征，形成复杂模式（如物体部件、整体结构）。

2. 参数共享与平移不变性

   • 卷积核在不同位置共享参数，大幅减少参数量。
   • 无论目标出现在图像何处，CNN都能识别（平移不变性）。

CNN的优势

• 高效处理图像数据：通过局部感知和参数共享，显著降低计算复杂度。
• 自动特征提取：无需人工设计特征，直接从数据中学习。
• 鲁棒性：对平移、旋转、缩放等有一定容忍度。

经典CNN模型

1. LeNet-5（1998）：首个成功应用于手写数字识别的CNN。
2. AlexNet（2012）：引入ReLU和Dropout，推动深度学习复兴。
3. VGGNet（2014）：通过堆叠3x3卷积核构建深层网络。
4. ResNet（2015）：提出残差连接（Residual Block），解决梯度消失问题，支持千层网络。
5. 其他变体：如Inception（多尺度卷积）、MobileNet（轻量化）等。

应用场景

• 图像分类、目标检测、图像分割
• 视频分析、人脸识别
• 自然语言处理（如文本分类、机器翻译中的特征提取）

总结

CNN通过模拟人类视觉系统的层次化处理机制，成为处理图像等结构化数据的核心工具。其核心设计（卷积、池化、非线性激活）平衡了特征提取的效率和模型的表达能力。随着发展，CNN逐渐与其他技术（如Transformer）结合，进一步拓展了应用边界。