CNN卷积神经网络笔记part two

CNN卷积神经网络笔记，CNN简述：

卷积神经网络模型，简要概念及模型解释

公式：CNN = 输入信号 * 系统函数（卷积核/过滤器）

不断地卷积，来获取不同特征。

CNN（卷积神经网络）是一种经常用于图像识别和计算机视觉任务的深度学习模型。它通过在输入数据上应用卷积操作来捕捉局部特征，并使用池化操作来减小特征图的空间大小。CNN还包括多个卷积层和全连接层，通过反向传播算法进行训练。

CNN的优势在于它能够自动学习输入数据的特征表示。相较于传统的机器学习方法，CNN能够通过共享权重和局部感受野的方式减少参数数量，并且能够处理高维输入数据。这使得CNN在图像分类、物体检测、语义分割等任务中表现出色。

CNN的基本结构通常由卷积层、激活函数、池化层和全连接层组成。卷积层通过滑动窗口的方式对输入进行卷积操作，提取图像的局部特征。激活函数引入非线性，增加模型的表达能力。池化层通过对特征图进行下采样，减小数据的空间大小，同时保留主要信息。全连接层将池化层的输出连接到最后的分类器，用于预测输入数据的类别。

CNN的训练通常使用反向传播算法进行优化。通过计算损失函数的梯度，可以更新网络中的权重参数，使得模型能够更好地拟合训练数据。

CNN是一种强大的深度学习模型，广泛应用于图像处理和计算机视觉领域，具有自动学习特征表示的能力，并在多个任务上取得了显著的成果。

CNN卷积神经网络

卷积convolution（con 代表卷 ， vol代表积），一种高级的运算，例如火车过山洞，旋转火车，过山洞，物理意义。旋转相乘变换
卷积定理简洁，傅里叶提出用于物理领域。过滤有价值的信息。
深度卷积神经网络，先卷积处理，再交给神经网络提取特征。卷积处理先用点阵逐个遍历原始数据，输入信号乘以卷积核（过滤器）。1维卷积，此处需要去了解常见的卷积核。

主要特点：不同于循环神经网络，没有时序性。

打个比方：

火车过隧道，当火车和隧道在同一维度和方向时，火车要过隧道是不是得先调头？，然后才能把火车和隧道相向而行。火车（f（x）），隧道（g（x）），把火车调转就是“卷”，变为f（t-α），然后和g（x）相乘，然后对他们总体微积分。就是卷积神经网络。完全的展示了整个动态过程。