什么是 卷积神经网络？
卷积神经网络（CNN，Convolutional Neural Network）是一类专门用于处理图像等结构化网格数据的深度神经网络，通过卷积层使用可学习的滤波器自动学习空间层次特征，从而检测边缘、纹理和复杂对象等模式。
快速了解
| 创建时间 | 1989 年由 Yann LeCun 等人提出（LeNet） |
|---|---|
| 规范文档 | 官方规范 |
工作原理
卷积神经网络的设计灵感来源于生物视觉皮层，彻底革新了计算机视觉领域。其架构通常由三种主要类型的层组成：用于提取特征的卷积层、用于降低空间维度同时保留重要信息的池化层，以及用于执行高级推理和分类的全连接层。CNN 的关键创新在于通过卷积核实现参数共享，这大大减少了与全连接网络相比的参数数量，同时保持了检测输入中任意位置特征的能力。这种平移不变性使 CNN 在图像相关任务中特别有效。
主要特点
- 局部感受野能够捕获输入数据中的空间关系
- 通过卷积核实现参数共享，降低模型复杂度
- 平移不变性使特征检测不受位置影响
- 从低级边缘到高级对象的层次化特征提取
- 池化操作提供空间不变性和降维功能
- 稀疏连接相比全连接网络减少过拟合风险
常见用途
- 图像分类与识别（ImageNet、CIFAR-10）
- 目标检测与定位（YOLO、Faster R-CNN）
- 人脸识别与验证系统
- 医学图像分析（肿瘤检测、X 光诊断）
- 自动驾驶车辆感知与场景理解
示例
Loading code...常见问题
什么是深度学习中的 CNN？
CNN（卷积神经网络）是一种专为处理图像等网格状数据设计的深度学习架构。它使用带有可学习滤波器的卷积层自动提取边缘、纹理和复杂对象等空间特征，以层次化的方式进行学习。
CNN 是如何工作的？
CNN 通过三种主要层类型工作：卷积层应用滤波器检测特征，池化层减少空间维度同时保留信息，全连接层执行分类。滤波器在输入上滑动，无论位置在哪都能检测模式。
CNN 和 RNN 有什么区别？
CNN 专为空间数据（图像）设计，使用卷积操作；RNN 处理序列数据（文本、时间序列），使用循环连接。CNN 擅长检测局部模式；RNN 捕获时间依赖。CNN 可以并行处理输入；RNN 顺序处理。
有哪些流行的 CNN 架构？
流行的架构包括 LeNet（原始）、AlexNet（突破性）、VGGNet（深度堆叠）、ResNet（跳跃连接）、Inception/GoogLeNet（多尺度）、EfficientNet（复合缩放）和 MobileNet（移动端优化）。每个都引入了推动领域发展的创新。
CNN 有哪些常见应用？
CNN 用于图像分类、目标检测（YOLO、Faster R-CNN）、人脸识别、医学图像分析（肿瘤检测、X光）、自动驾驶感知、视频分析，甚至使用一维卷积的文本分类等非图像任务。