卷积神经网络（CNN）高级教程 🧠

1. 卷积层进阶

卷积层是CNN的核心，通过**滤波器（Filter）**提取局部特征。

- **权重共享**：减少参数量，提升计算效率 - **多通道处理**：支持RGB等多光谱数据输入 - **感受野概念**：通过堆叠卷积层扩大特征捕捉范围

2. 激活函数选择

常用的激活函数包括：

• ReLU（Rectified Linear Unit）

- **Leaky ReLU**：解决梯度消失问题 - **Swish**：在深层网络中表现更优 > 📌 [点击查看不同激活函数的可视化对比](/deep_learning_basics/visualizations/activation_functions)

3. 池化操作类型

池化层主要有：

• 最大池化（Max Pooling）

- **平均池化（Average Pooling）** - **自适应池化**：动态调整输出尺寸 > ⚠️ 池化操作会降低空间维度，注意与卷积层的搭配使用

4. 网络结构设计

设计CNN时需考虑：

1. 卷积核大小：3x3比5x5更常见
2. 层数堆叠：通常采用3-5个卷积层
3. 残差连接：解决梯度消失问题

> 📚 [延伸阅读：CNN网络结构设计原则](/deep_learning_basics/tutorials/cnn_introduction)

5. 迁移学习应用

• 使用预训练模型（如VGG、ResNet）
• 冻结部分层，仅训练顶层
• 微调（Fine-tuning）技巧

6. 正则化技术

• Dropout：随机失活神经元
• Batch Normalization：加速训练过程
• 数据增强：旋转、翻转等操作

🧩 尝试在PyTorch官方教程中实践这些概念！