卷积神经网络（CNN）是一种专为图像识别设计的深度学习模型，其结构图通常包含以下核心组件：
1. 卷积层（Convolutional Layer）
- 通过滤波器（Filter）提取局部特征，如边缘、纹理
- 使用ReLU激活函数增强非线性表达能力
- 📌 示例：卷积层结构
2. 池化层（Pooling Layer）
- 通过最大池化（Max Pooling）或平均池化降低数据维度
- 保留关键特征同时减少计算量
- 📌 示例：池化层操作
3. 全连接层（Fully Connected Layer）
- 将前层输出展平后接入密集神经元
- 用于最终分类决策
- 📌 示例：全连接层示意图
4. 激活函数与归一化
- ReLU、Leaky ReLU等激活函数提升模型性能
- Batch Normalization加速训练过程
- 📌 扩展阅读：/深度学习基础概念
5. 典型架构示例
- 输入层 → 卷积层 → 池化层 → 卷积层 → 池化层 → 全连接层 → 输出层
- 📌 示例：CNN典型结构图
如需进一步了解各层参数设置或代码实现，可访问 /CNN实现原理 查看详细说明。