卷积操作的核心思想
卷积操作通过滤波器在图像上滑动，提取局部特征。公式：y(i,j) = Σ Σ x(i+m,j+n)·w(m,n)，w是滤波器权重。
关键特性：局部连接、权重共享、空间结构保持。大幅减少参数量，捕捉空间模式。
CNN的经典架构
架构演进
- LeNet：早期CNN，手写数字识别
- AlexNet：深度学习突破，ImageNet冠军
- VGG：深层小卷积核，简化设计
- ResNet：残差连接，突破深度限制
池化层的作用
池化降低空间维度，增强特征不变性。最大池化保留显著特征，平均池化保留整体信息。
现代CNN创新
残差连接(ResNet)解决深层网络训练难题；批归一化稳定训练过程；深度可分离卷积(MobileNet)提高效率。
设计要点
卷积层提取特征，池化层降低维度，全连接层完成分类。深度与效率需平衡考量。
CNN让神经网络看见世界，图像识别从此进入深度学习时代。