深度学习问答06：卷积神经网络CNN核心结构：卷积层、池化层作用.docxVIP

深度学习问答06：卷积神经网络CNN核心结构：卷积层、池化层作用

一、核心问答正文

问题1：为什么要学习卷积神经网络CNN？

在前面01-05章节中，我们系统学习了人工神经网络的完整训练闭环，包含神经元结构、激活函数、反向传播、梯度下降以及各类优化器。传统全连接神经网络（FC）虽然可以完成分类、回归任务，但在图像处理领域存在无法弥补的致命缺陷，几乎无法落地使用。

究其原因有两点：第一，图像像素数据量庞大，全连接网络会衍生海量权重参数，极易引发严重过拟合；第二，全连接网络会将图像扁平化处理，彻底丢失图片空间特征、局部关联性，无法识别边缘、纹理、形状等关键信息。

为解决图像识别难题，卷积神经网络（CNN）应运而生。CNN专门针对图像数据设计，凭借局部特征提取、参数共享两大核心特性，以极少参数高效捕捉图像特征，是计算机视觉的基石网络。现阶段所有图像分类、目标检测、图像分割模型，底层均基于CNN升级改造，同时卷积层、池化层也是软考、算法面试高频必考知识点。

问题2：传统全连接网络在图像处理中的致命缺陷

想要读懂CNN的设计优势，首先要明白全连接网络为什么不适合处理图像数据，也是面试高频基础考题：

参数数量爆炸：以224×224的RGB三通道图片为例，扁平化后输入参数高达15万左右，搭配隐藏层后，整体参数动辄上千万，训练成本极高且极易过拟合；

丢失空间结构信息：全连接网络必须将二维图片拉伸