一、卷积神经网络

1.定义

卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理具有网格状拓扑结构数据的深度学习模型，特别适用于图像和视频处理。CNN 通过局部连接和权重共享机制，有效地减少了参数数量，增强了模型的泛化能力。

2.特点

（1）局部卷积：可以捕捉到图像中的局部特征而不受其位置的影响；

（2）参数共享；

（3）多卷积核（每个卷积核都会对输入图像进行卷积处理，生成另一幅图像）；

（4）池化操作：降采样处理（down-pooling），是对不同位置的特征进行聚合统计。通常是取对应位置的最大值（最大池化）、平均值（平均池化）等；

 池化的优点：1)降维；2)克服过拟合；3)在图像识别领域，池化还能提供平移和旋转不变性。 

（5）多层处理：一般而言，在图像处理中，一层卷积及降采样往往只学到了局部的特征。层数越多，学到的特征越全局化。

3.卷积过程

卷积操作就是用一个可移动的小窗口来提取图像中的特征，这个小窗口包含了一组特定的权重，通过与图像的不同位置进行卷积操作，网络能够学习并捕捉到不同特征的信息。

这张图中蓝色的框就是指一个数据窗口，红色框为卷积核（滤波器），最后得到的绿色方形就是卷积的结果（数据窗口中的数据与卷积核逐个元素相乘再求和）

卷积需要注意哪些问题？
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：（0的圈数）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。数据填充的主要目的是确保卷积核能够覆盖输入图像的边缘区域，同时保持输出特征图的大小。

以上图为例，那么：

• 数据窗口每次移动两个步长取 3*3 的局部数据，即 stride=2 。

• 两个神经元，即 depth=2 ，意味着有两个滤波器。

• zero-padding=1 。

参考自：【深度学习】一文搞懂卷积神经网络（CNN）的原理（超详细）_卷积神经网络原理-CSDN博客

二、CNN经典模型之LeNet-5模型分析