CNN卷积自动提取特征
CNN是一种用于图像和空间数据处理的深度学习模型，通过卷积自动提取特征。
基本流程：
输入图像
↓
卷积层（提取边缘、纹理、形状）
↓
激活函数ReLU（增加非线性）
↓
池化层（压缩特征，减少计算）
↓
全连接层（分类）
↓
输出结果
核心思想：
| 技术 | 作用 |
|---|---|
| 卷积 | 自动提取局部特征 |
| 参数共享 | 减少模型参数 |
| 池化 | 降维提高鲁棒性 |
| 多层堆叠 | 从简单特征到高级语义 |
CNN经典模型
| 模型 | 年份 | 特点 |
|---|---|---|
| LeNet | 1998 | 最早CNN，用于手写数字 |
| AlexNet | 2012 | 深度学习爆发，GPU+ReLU |
| VGG | 2014 | 使用小卷积核，网络加深 |
| GoogLeNet | 2014 | Inception多尺度特征 |
| ResNet | 2015 | 残差连接，解决深层训练问题 |
| DenseNet | 2017 | 层间密集连接，特征复用 |
| MobileNet | 2017 | 轻量化，适合移动端 |
| EfficientNet | 2019 | 高效缩放，参数少性能高 |
CNN演进路线
LeNet
↓
AlexNet（深度化）
↓
VGG（加深网络）
↓
GoogLeNet（多尺度）
↓
ResNet（残差）
↓
MobileNet/EfficientNet（高效化）
一句话：CNN通过卷积自动学习图像特征，是计算机视觉领域最经典的深度学习模型之一。