深度学习：卷积神经网络（CNN）基础知识
卷积神经网络（Convolutional Neural Networks, CNNs）是深度学习中用于处理具有网格结构数据（如图像）的一类神经网络。CNN通过卷积层来提取输入数据的特征，广泛应用于图像识别、视频分析、自然语言处理等领域。
1. 卷积层（Convolutional Layer）
- 目的：提取输入数据的特征。在图像处理中，卷积层能够识别图像中的边缘、纹理等特征。
- 工作原理：使用一组可学习的滤波器（或称为卷积核），在输入数据上滑动并进行局部区域的点积运算，生成特征图（feature maps）。
- 参数共享：每个卷积核的参数在整个输入数据上共享，减少了模型的参数数量，降低了计算复杂度。
- 局部连接：每个神经元只与输入数据的一个局部区域相连接，这使得网络能够捕捉到局部特征。
-
什么是卷积：对图像（不同的数据窗口数据）和卷积核（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。
1.卷积操作存在的问题？
a.步长stride：每次滑动的位置步长。
b. 卷积核的个数：决定输出的depth厚度。同时代表卷积核的个数。
c. 填充值zero-padding：在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑 倒末尾位置，通俗地讲就是为了总长能被步长整除。
2.卷积层计算
2. 激活函数（Activation Function）
- 目的：引入非线性，使得网络能够学习复杂的特征组合。
- 常用激活函数：ReLU（Rectified Linear Unit）、Sigmoid、Tanh等。
- 作用：ReLU函数因其计算简单、梯度不消失的优点而被广泛使用。
3. 池化层（Pooling Layer）
- 目的：降低特征图的空间维度，减少参数数量和计算量，同时使特征检测更加鲁棒。
- 工作原理：通常使用最大池化（Max Pooling）或平均池化（Average Pooling），在特征图上滑动一个固定大小的窗口，取窗口内的最大值或平均值作为输出。
-
常见的池化层：最大池化、平均池化、全局平均池化、全局最大池化。
- 池化层操作方法：与卷积层类似，池化层运算符由一个固定形状的窗口组成，该窗口根据其步幅大小在输入的所有区域上滑动，为固定形状窗口（有时称为 池化窗口）遍历的每个位置计算一个输出。 然而，不同于卷积层中的输入与卷积核之间的互相关计算，池化层不包含参数。
4. 全连接层（Fully Connected Layer）
- 目的：在网络的最后几层，将卷积层和池化层提取的特征进行整合，用于分类或回归任务。
- 工作原理：每个神经元与前一层的所有激活值相连接，进行加权求和后通过激活函数。
5. 损失函数（Loss Function）
- 目的：评估模型的预测与真实值之间的差异，指导模型训练。
- 常用损失函数：交叉熵损失（Cross-Entropy Loss）用于分类任务，均方误差（Mean Squared Error, MSE）用于回归任务。
6. 反向传播（Backpropagation）
- 目的：根据损失函数计算梯度，更新网络权重，优化模型性能。
- 工作原理：利用链式法则计算损失函数对每个权重的偏导数，然后使用梯度下降或其他优化算法更新权重。
7. 优化算法（Optimization Algorithm）
- 目的：在训练过程中调整权重，以最小化损失函数。
- 常用算法：SGD（Stochastic Gradient Descent）、Adam、RMSprop等。