1.卷积神经网络结构？
输入层：输入原始数据
卷积层：选定卷积核 并根据步长进行点积运算，生成的结果就是特征图中的元素，写入特征图
卷积计算公式如下
卷积过程也会进行填充，比如对于输入数组，中心数据会由于位置关系，参与多次卷积 位置边缘区域卷积次数少 边缘区域信息可能会丢失，并且通过填充可以控制特征图的大小 常用的填充方式有以下几种
有效填充：不进行填充 卷积核仅在当前输入图里进行滑动卷积 适用于低计算量的场景
相同填充：希望输入图和特征图大小保持不变，因此需要将边缘进行填充原数据 这样可以避免边缘信息丢失
零填充：边缘信息填充0 有效控制特征图大小
池化层：
池化层的目的是降低特征图的大小，防止过拟合，保留区域重要特征 池化举例
全连接层
将池化层的向量进行拟合 并输出最终的分类结果，这里和之前学习的神经网络结构就是一样的了
举例如下:
输出层
输出最终的分类结果
2.卷积层做什么？什么是卷积核？
前文已经讲述清楚了，卷积层是用来提取特征的，与卷积核进行点积运算，并按照步长进行滑动，生成的点积结果就是最终的该区域的特征值写入到特征图当中
特征图的大小 = (输入的长-卷积核的长 + 1)*(输出的宽 - 卷积核的宽 +1)
3.卷积为什么需要多层，单层和多层的差异是什么？
单层卷积只能提取浅层的特征，用于低数据量的任务较为合适，如果任务量变大，单层卷积对于高阶特征是无法提取的，且容易过拟合 多层卷积可以提取较高的特征信息，比如第一层提取浅层信息，第二层提取纹理等中层特征等 多层卷积由于层级高，因此训练难度低于单层卷积，并且所需要的参数量也是较大的
4.卷积层的四个核心参数是什么？
滤波器的数量：我个人的看法是这个还是取决于后面三个参数 卷积核的size 步长 填充
5.步长和填充对于卷积的意义是什么？
这个就不必赘述了
6.卷积结果计算公式
前文已经讲过了 就是点积运算 生成的特征值写入到特征图当中
7.什么是感受野？
简单来说就是卷积核的大小 较小的卷积核 观察到的区域就越小 因此感受野观察到的也就是局部特征 感受野越大，那么观察到的特征也就越全局
8.经典卷积神经网络有哪几类，展开说明。
9.卷积神经网络工作原理是什么？
- 前向传播：通过卷积层、池化层和全连接层提取特征并生成输出。
- 损失计算：比较网络输出与真实标签，计算损失值。
- 反向传播：计算损失函数对网络参数的梯度。
- 权重更新：通过梯度下降法更新网络参数。
通过反复迭代上述过程，卷积神经网络可以逐渐优化参数，提取出更有意义的特征，从而提高模型的性能。
