深度学习与人工智能算法手册.docxVIP

深度学习与算法手册

第1章深度学习基础架构与网络设计

1.1卷积神经网络（CNN）原理与特征提取

卷积神经网络（ConvolutionalNeuralNetworks,CNNs）是计算机视觉领域的基石，其核心在于通过局部连接和权值共享机制，从海量图像数据中自动提取多层次的特征表示。

图像输入层通常接收全尺寸的二维张量，包含空间高度和宽度两个维度，随后通过一个或多个卷积层将数据映射到更小的特征图（FeatureMaps），利用局部感受野（LocalReceptiveField）捕捉边缘、纹理等低级特征。在卷积核（Kernel）滑动过程中，每个卷积核以步长（Stride）移动，通过非线性激活函数（如Sigmoid、ReLU）将线性组合的结果转化为特征值，同时通过池化层（Pooling）对特征图进行下采样，降低计算量并提升模型的平移不变性。

深层网络中，不同层会逐步抽象特征：浅层卷积层提取边缘和角点，中层提取形状和部件，深层卷积层组合部件形成物体局部结构，直至高层网络识别完整的物体类别。为增强模型对平移和旋转的鲁棒性，网络采用可学习的参数共享机制，即同一个卷积核在图像的不同位置重复使用相同的滤波器，避免过拟合并加速训练。特征融合策略通常通过全连接层（FullyConnectedLayers）或跨层卷积（Cross-Convolution）将不同层提