深度学习中卷积层（Conv）、BN层（Batch Normalization）和 ReLU层（Rectified Linear Unit）的详细介绍

一、卷积层（Conv）

1. 定义

   • 卷积层是深度学习中卷积神经网络（CNN）的核心组成部分。它通过对输入数据（如图像）进行卷积操作来提取特征。卷积操作是用一个卷积核（也称为滤波器）在输入数据上滑动，计算卷积核与输入数据局部区域的点积。

   • 例如，对于一个图像输入，卷积核可以看作是一个小型的窗口，它在图像上按照一定的步长（stride）移动，每次移动到一个位置就和该位置对应的像素值进行乘积求和操作，得到一个输出值，这些输出值构成了卷积后的特征图。

2. 参数说明

   • 卷积核大小（Kernel size）：这是卷积核的尺寸，通常是一个正方形，如 3×3、5×5 等。较小的卷积核可以捕捉局部特征，较大的卷积核可以捕捉更大范围的特征。

   • 步长（Stride）：卷积核在输入数据上滑动的步长。如果步长为 1，卷积核每次移动一个像素；如果步长为 2，卷积核每次移动两个像素，这会影响输出特征图的大小。

   • 填充（Padding）：为了控制输出特征图的大小，可以在输入数据的边界添加填充。常见的填充方式有“valid”（不添加填充）和“same”（添加足够的填充使得输出特征