卷积神经网络（Convolutional Neural Networks，CNN）是深度学习领域中广泛使用的一种前馈神经网络。它特别适合于图像识别、图像分类等视觉任务。以下是关于 CNN 基本原理的简要介绍。
1. 卷积层（Convolutional Layer）
卷积层是 CNN 的核心部分，用于提取图像的特征。每个卷积核（filter）都会从输入图像中提取局部特征，如边缘、纹理等。
1.1 卷积核
卷积核是一个小的矩阵，用于提取图像中的局部特征。例如，一个简单的边缘检测卷积核可能如下所示：
-1 -1 -1
-1 8 -1
-1 -1 -1
1.2 步长和填充
卷积过程中，卷积核在输入图像上滑动，每次滑动的步长和填充方式会影响特征的提取。
2. 池化层（Pooling Layer）
池化层用于降低特征图的维度，减少计算量和参数数量，同时保持重要特征。
2.1 最大池化（Max Pooling）
最大池化选择每个池化窗口内的最大值作为输出，能够保留局部区域的最大特征。
2.2 平均池化（Average Pooling）
平均池化将每个池化窗口内的像素值求平均值作为输出，可以平滑图像噪声。
3. 全连接层（Fully Connected Layer）
全连接层用于将提取的特征进行组合，最终输出分类结果。
3.1 Softmax 函数
在分类任务中，全连接层的输出通常使用 Softmax 函数进行归一化，得到每个类别的概率。
扩展阅读
想要更深入地了解 CNN，可以参考以下资源：
图像示例
下面展示了一个简单的卷积核在图像上的作用：