深度学习——卷积神经网络（CNN）简介

最新推荐文章于 2025-07-08 16:16:53 发布

原创

最新推荐文章于 2025-07-08 16:16:53 发布 · 3.2w 阅读

911 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

卷积神经网络（CNN）是深度学习中用于图像处理、视频分析等领域的核心网络结构。本文介绍了CNN的发展背景、卷积概念，包括卷积层、池化层、全连接层的作用，并探讨了常见的卷积神经网络模型，如LeNet、AlexNet、VGG net和ResNet。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

卷积神经网络简介

文章目录

卷积神经网络简介

前言

卷积神经网络（Convolutional Neural Networks，简称：CNN）是深度学习当中一个非常重要的神经网络结构。它更多的是用在图像图片处理，视频处理，音频处理以及自然语言处理等等。
早在上世纪80年代左右，卷积神经网络的概念就已经被提出来了。但其真正的崛起却是在21世纪之后，21世纪之后，随着深度学习理论的不断完善，同时，由于硬件性能的爆炸式提升，算力的不断增长等因素的促进，给卷积神经网络这种算法提供了大放异彩的空间。著名的AlphaGo，手机上的人脸识别，大多数都是采用卷积神经网络。因此可以说，卷积神经网络在如今的深度学习领域，有着举足轻重的作用。

在了解卷积神经网络之前，我们务必要知道：什么是神经网络（Neural Networks），关于这个，我们已经在深度学习简介的第二部分有所介绍。这里就不赘述了。在了解了神经网络的基础上，我们再来探究：卷积神经网络又是什么呢？当中的“卷积”这个词，又意味着什么呢？

一.如何理解卷积

1.1什么是卷积

先说点题外话，那就是这个“卷积”。刨除深度学习领域，即使是在完全没有接触深度学习之前，有相当一部分大学生，都会在本科阶段学习过一个词：卷积函数。卷积函数是说，在R1上，f(x)与g(x)是可积的，那么二者的卷积就是：
$\int_{-\infty}^{+\infty}f(x)g(x-\gamma)d\gamma=(f*g)(x)$