? ? ? ? 一個簡單的經典CNN網絡結構由：輸入層、卷積層、池化層、全連接層和輸出層，這五種神經網絡層結構組成。它最最經典的實例是LeNet-5，它最早被設計用于手寫數字識別任務，包含兩個卷積層、兩個池化層、幾個全連接層，以及最后的輸出層。
一、先用文字介紹一下這五層分別在做什么
（1）輸入層
????????輸入通常是經過預處理的圖像數據，例如，將圖像調整到特定尺寸（如32x32x3）并進行歸一化，使得像素值范圍在0到1之間，或者被標準化為均值為0，標準差為1的形式。
（2）卷積層
? ? ? ? 卷積層是CNN的關鍵組成部分，又可以拆分成下面4分部分逐一理解：
- 卷積核（Filter/Kernels）：每個卷積層包含多個可學習的濾波器（或稱為卷積核），這些濾波器在輸入圖像上滑動，執行卷積操作（相乘后求和），從而檢測圖像中的特定特征，如邊緣、線條、紋理等。
- 步長（Stride）：濾波器在圖像上移動的步長，決定了輸出特征圖的空間分辨率。
- 填充（Padding）：通常為了保持輸出特征圖的尺寸或避免邊界信息的丟失，會在圖像邊緣添加零（Zero Padding）。
- 激活函數：如ReLU（Rectified Linear Unit）用于增加網絡的非線性。
（3）池化層
? ? ? ? 池化層的負責減少特征圖的空間尺寸，降低計算復雜度，同時保持最重要的特征。最常見的池化類型是最大池化（Max Pooling），它在每個池化區域取最大值作為輸出。池化同樣有步長和大小的參數，比如常用的2x2大小，步長為2。
（4）全連接層
????????在一系列卷積和池化層之后，特征圖會被展平（Flatten）成一維向量，然后傳遞給全連接層。全連接層負責將學到的特征映射到分類標簽或其他輸出形式。全連接層是傳統神經網絡的一部分，常用于模型的最終分類或回歸任務。
（5）輸出層
????????對于分類任務，輸出層通常使用Softmax激活函數，將神經元的輸出轉換為概率分布，表示每個類別的預測概率。輸出層的神經元數量等于分類任務的類別總數。
二、再用可視化加深對經典CNN結構的理解
（1）經典CNN結構?
????????CNN有個特點，5個層組成（輸入層、卷積層、池化層、全連接層和輸出層），在神經網絡的隱藏層部分，卷積層和池化層交替出現，最后跟上幾個全連接層再跟輸出層。
????????重復的卷積層與池化層的組合目的是為了學習更深層次、更復雜的特征，每次這樣的組合都會使網絡能夠捕捉到更高層次的抽象特征，如從邊緣逐步過渡到形狀、紋理乃至對象的部分和整體。
（2）這樣的網絡結構設計會出現一種現象
????????經過這樣的網絡結構后，圖像的尺寸會減小，圖像的通道數
會增大。?這種變化反映了網絡從原始像素數據中提取并逐步構建更高級、更抽象特征的過程。對此現象稍作解釋：
① 圖像尺寸減小：
- 卷積層：卷積層本身不一定會減少圖像尺寸，但可以通過設置合適的填充（padding）和步長（stride）來控制輸出尺寸。無填充且步長大于1的卷積會縮小輸出尺寸。
- 池化層：池化層的主要作用之一就是減少空間維度（高度和寬度），通常在每個維度上減半，從而顯著減小圖像尺寸，同時保持最重要的特征。
② 通道數增大：
- 卷積層：每個卷積層通過不同的卷積核學習不同的特征，每個卷積核會產生一個新的通道。因此，卷積層后的通道數通常會增加，具體增加的數量等于該層中濾波器（卷積核）的數量。
- 池化層：池化操作不會改變通道數，它只影響空間維度。
- 全連接層：進入全連接層之前，所有之前的層（包括卷積層和池化層）的輸出會被“展平”成一維向量，此時不再討論“通道”這個概念，而是關注于神經元的總數。
