卷积神经网络（Convolutional Neural Network，CNN）是一种专门用于处理具有类似网格结构的数据的神经网络，尤其擅长处理图像数据。下面是典型的卷积神经网络的处理过程：
-
输入层：首先，图像数据被输入到网络中。每幅图像通常由像素组成，而每个像素又包括颜色通道（比如红、绿、蓝三个通道）。因此，输入层将图像的像素作为输入数据，并保留了图像的二维结构和颜色通道信息。
-
卷积层：接下来是卷积层，这是CNN中最核心的部分。卷积层通过使用一系列的滤波器（也称为卷积核）对输入图像进行卷积操作。这些滤波器可以提取出图像中不同的特征，比如边缘、纹理等。在卷积操作中，滤波器与输入图像进行逐元素相乘并求和，从而生成输出特征图。
-
激活函数：在卷积操作后，会通过激活函数（如ReLU）对输出特征图进行非线性变换，增加网络的表达能力。
-
池化层：池化层通常紧随在卷积层之后，它用于减小特征图的空间尺寸，降低计算复杂度，同时提取特征的位置不变性。常见的池化操作包括最大池化和平均池化。
-
全连接层：在经过多个卷积层和池化层之后，通常会连接若干个全连接层。全连接层将前面层的所有特征都连接在一起，然后通过权重和偏置计算输出结果。
-
输出层：最后是输出层，该层通常根据具体的问题类型采用不同的激活函数。例如，在分类问题中，输出层可能采用softmax激活函数来输出各个类别的概率分布；在回归问题中，可能直接输出预测值。
上述过程描述了典型的卷积神经网络的处理步骤。通过卷积操作和池化操作，CNN能够逐渐提取图像中的特征，并在全连接层中进行组合和分类，从而实现对图像数据的高效学习和识别。
-
输入层：图像数据（由像素组成，带有颜色通道信息）作为输入被传入网络。 简单来说就是去均值和归一化处理。
-
卷积层：
- 卷积操作：使用一系**列滤波器（卷积核）**对输入图像进行卷积操作。对于每个滤波器，它会与输入图像的不同位置进行逐元素相乘并求和，生成输出特征图。
- 可学习参数：每个滤波器都有自己的权重矩阵，这些权重是通过训练数据学习得到的，可以捕获图像中的不同特征。
-
激活层
- 非线性变换：对卷积层的输出进行非线性变换，常用的激活函数包括ReLU（修正线性单元）等。 提取特征图
-
池化层：
- 池化操作：通过最大池化或平均池化等方式，降低特征图的空间尺寸，减少计算复杂度，并提取特征的位置不变性。 ** 下采样等减小参数值**
-
全连接层：
- 连接特征：将前面层的所有特征连接在一起，通过权重和偏置计算输出结果。
- 可学习参数：全连接层中的权重和偏置也是通过训练数据学习得到的。 ** 所有的节点都有权重连接，有着分类器的作用。**
-
输出层：
- 根据具体问题采用不同的激活函数，例如分类问题中常使用softmax激活函数输出类别的概率分布，回归问题中则直接输出预测值。
