【第3章：卷积神经网络（CNN）——3.2卷积层、池化层、全连接层的详细介绍】
在深度学习的浩瀚宇宙中，卷积神经网络（CNN）犹如一颗璀璨的星辰，以其卓越的性能和广泛的应用领域，成为无数研究者和开发者心中的“明星”模型。从图像分类到目标检测，再到图像分割，CNN展现出了惊人的能力和无限潜力。今天，我们就来一场深度探索，揭开CNN的神秘面纱，尤其是其核心组成部分——卷积层、池化层和全连接层的秘密。
一、卷积层：图像特征提取的“小能手”
1. 什么是卷积层？
卷积层，作为CNN的心脏，主要负责从输入图像中提取有用的特征信息。想象一下，你拿着一个“滑动窗口”（也就是卷积核或滤镜）在图像上滑动，这个窗口每滑动到一个位置，就与图像局部区域进行点积运算，从而提取出该区域的特征。这些特征被整理成特征图（Feature Map），用于后续的处理。
2. 卷积核的作用
卷积核，通常是一个小矩阵（如3x3或5x5），是卷积操作的核心。每个卷积核都有自己的权重参数