深度学习|CNN的基本原理

目录

• • 1 CNN 的定义

    • 2 输入结构

    • 3 卷积模块

    • • 3.1 卷积运算
      • 3.2 零填充技术
      • 3.3 彩色图像处理方式

    • 4 池化模块

    • • 4.1 池化运算
      • 4.2 平移不变性特征

    • 5 全连接网络层

    • 6 输出结构

---

引言

• 此篇文章内容尚不充分，主要在于未涉及卷积运算的具体实现过程；
• 然而，其对 CNN 各组成部分的作用进行了阐述，为读者提供了整体的了解。

参考资料

• 卷积神经网络（CNN）详细介绍及其原理详解

1 什么是 CNN

卷积神经网络 CNN 在图像处理任务中具有广泛应用，例如图中展示的手写数字识别流程：

【从整体结构来看，该流程由以下几个层级构成：

• 输入层：负责接收图像等相关数据；
• 卷积层：主要功能是提取图像的低级特征；
• 池化层：用于降低数据维度，从而避免模型出现过拟合现象；
• 全连接层：整合卷积层