知识图谱
卷积神经网络结构
CNN 通过卷积层提取局部特征，池化层降维，最终通过全连接层输出分类结果。
核心
概念
方法
应用
🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📜
历史Yann LeCun在1989年发明的LeNet是第一个成功的CNN，用于识别手写邮政编码。但当时计算力太弱，CNN被冷落了近20年，直到2012年AlexNet在GPU上大放异彩才重回历史舞台。
一句话总结
💡
卷积神经网络通过卷积和池化操作自动提取图像的层次化特征，是计算机视觉的核心模型。
常见误区
这些坑别踩
✗
误区 1
CNN只能处理图像任务。
✓
正确理解
CNN擅长处理网格结构数据，除图像外还广泛用于时序信号、文本(一维卷积)、视频(三维卷积)等具有局部相关性的数据。
✗
误区 2
CNN比全连接网络参数更多。
✓
正确理解
CNN通过权值共享和局部连接大幅减少参数量，相比等价的全连接网络参数量少得多，这也是它能训练深层网络的原因之一。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
卷积神经网络（CNN）中卷积层的主要作用是？
2
池化层（Pooling）的主要功能是？
3
CNN 中"权值共享"的好处是？
4
关于感受野（Receptive Field），下列说法正确的是？
面试经典题
共 5 题 · 先思考再看答案
1
基础
请介绍 CNN 的基本结构及各组成部分的作用。
2
中等
请解释卷积层的工作原理，以及局部连接和权值共享的意义。
3
中等
池化的作用是什么？常见的池化方式有哪些？
4
困难
什么是感受野？如何计算？为什么它很重要？
5
困难
1×1 卷积有什么作用？为什么在 Inception、ResNet 等网络中广泛使用？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺