大家好，这里是好评笔记，本文为试读，查看全文请移步公主号：Goodnote。本文详细介绍面试过程中可能遇到的卷积神经网络CNN知识点。
@[toc]
卷积神经网络 (CNN) 是一种专门用于处理图像、视频等数据的深度学习模型，主要用于计算机视觉任务，例如图像分类、目标检测和图像生成。CNN 通过卷积操作减少输入数据的尺寸，提取出重要特征，同时保留其空间结构 ，尤其在处理高维数据时非常有效。
主要组件
输入层
输入层用于接收原始数据，例如图像（二维或三维张量）。对于图像，通常是像素值。
卷积层 (Convolutional Layer)
卷积层是 CNN 的核心组件，负责通过卷积核 (filter) 提取输入数据的局部特征 。通过扫描输入的局部区域，卷积层可以识别特定的模式（例如边缘、角等）。卷积操作通常会产生一组特征图。
批归一化层（Batch Normalization, BN）
归一化使训练过程更加稳定和高效。BN 层将激活值标准化为均值为 0、标准差为 1 的分布，然后通过可学习的缩放和平移参数恢复数据分布。防止梯度消失和梯度爆炸问题。加速训练，允许使用更大的学习率。在一定程度上起到正则化作用，减少过拟合。
参考【归一化部分】：深度学习——优化算法、激活函数、归一化、正则化
激活函数 (Activation Function)
常见的激活函数是ReLU 及其变体（如 Leaky ReLU、PReLU 和 ELU）。其他函数如 Swish 也逐渐流行（SD模型组件中GSC中的S指的就是Swish）。Sigmoid 和 Tanh 因梯度消失问题较严重，不适合深层 CNN 网络，因此使用较少。
池化层 (Pooling Layer)
池化层用于缩减数据的尺寸，同时保留主要特征。最大池化（Max Pooling）是最常用的方式，它通过取每个区域内的最大值来减少数据量。这有助于减小计算量，并增强模型的平移不变性。
全连接层 (Fully Connected Layer)
全连接层是CNN 的特征整合部分，将高维特征压缩并组合，最终生成一个用于输出处理的向量，连接到输出层。通常在 CNN 的最后几层用于将提取到的特征映射到最终的分类或回归结果。
批归一化层（Batch Normalization, BN）
输出层激活函数 (Output Layer Activation Function)
-
二分类问题：输出层通常输出一个经过 sigmoid 函数 处理的值，该值表示预测属于某个类别的概率，范围在 0 到 1 之间。
-
多分类问题：输出层通常使用 softmax 函数，将全连接层的输出向量转换为概率分布，表示样本属于不同类别的概率。概率的总和为 1。
-
回归任务：输出层直接输出一个或多个实数，表示模型的预测值。回归任务的输出层通常不使用激活函数，或者使用线性激活函数，允许输出为任意实数。
输出层 (Output Layer)
输出层的作用是生成最终的预测结果。
整体流程概述
- 输入层：输入图像数据，可能是灰度或彩色图像。
- 卷积层：通过卷积核提取局部特征。
- 批归一化（可选）：对每一批次进行归一化，防止梯度爆炸或消失，加速训练。
- 激活函数：如 ReLU 引入非线性。
- 池化层：对特征图进行下采样，降低特征图尺寸，减少计算复杂度。
- 重复卷积～池化层：逐层提取更高层次的特征。
- 全连接层：将高层特征映射到输出空间，通常用于分类任务。
- 批归一化（可选）：对每一批次进行归一化，防止梯度爆炸或消失，加速训练。
- 激活函数：如 ReLU 引入非线性。
- 丢弃层（可选）：随机丢弃部分神经元，防止过拟合。
- 输出层：输出最终的预测结果，常用于分类或回归任务。
- 损失函数：衡量模型输出与真实值之间的差距。
- 反向传播和优化：更新模型权重，使损失函数最小化。
详细全文请移步公主号：Goodnote。
