根据上文内容，卷积神经网络是一种在深厚度学领域特别适用于图像识别和处理的神经网络。

1. 卷积层

   

   • 用于提取图像的特征， 如边缘、纹理等。
   • 个个卷积层包含优良几个卷积核，个个卷积核负责提取特定特征。
   • 通过权值共享少许些参数数量。

2. 激活函数

   • 如ReLU用于引入非线性，使网络Neng够学geng麻烦的函数。
   • 其他常用的激活函数包括Sigmoid和Tanh。

3. 池化层

   • 如Zui巨大池化和睦均池化， 用于少许些特征图的尺寸，少许些计算量，并保持关键特征。
   • 通过下采样来提取图像的基本上特征。

4. 全连接层

   • 将卷积层和池化层提取的特征转换为高大层次的表示。
   • 通常在网络的末尾，用于进行分类或其他任务。

5. 数据预处理

   • 对输入数据进行标准化、归一化等操作，以改善训练过程。

6. 优化算法

   • 如Adam、SGD等，用于调整网络权沉以Zui细小化亏本函数。

7. 亏本函数

   • 如交叉熵亏本函数，用于衡量预测值与真实实值之间的差异。

8. 正则化

   • 如Dropout、L1/L2正则化，用于别让过拟合。

在设计CNN时 需要。