卷积神经网络（CNN）是一种专门设计用于处理网格状数据（如图像）的神经网络。CNN通过对输入数据应用卷积操作，自动检测不同抽象层次的模式、边缘和纹理。CNN由多个层次组成，每个层次执行不同的功能：卷积层、池化层和全连接层。卷积层通过将小的滤波器（也称为卷积核）滑动在输入图像上，执行逐元素相乘并汇总结果，从而提取特征。这一过程使得网络能够在初始层中检测到边缘等特征，而在更深的层中识别更复杂的模式，例如形状或物体。
池化层紧随卷积层之后，减少特征图的空间维度，同时保留重要信息。例如，最大池化从特征图的指定区域中提取最大值，这有效减少了网络的参数数量和计算量，同时提供了一定程度的平移不变性。通过下采样特征图，池化层帮助CNN集中关注主要特征，使其在处理输入数据的变化时（如位移和失真）更具鲁棒性。
最后，CNN中的全连接层类似于传统神经网络。在通过卷积层和池化层处理后，特征图被展平为一个单一向量，然后传递通过一个或多个全连接层。这些层基于从输入中提取的特征执行最终的分类或回归任务。例如，在图像分类任务中，输出层可能使用softmax激活函数为不同类别分配概率，从而允许模型预测输入图像的最可能标签。通过结合这些组成部分，CNN能够有效学习数据的层次表示，使其在涉及视觉信息的任务中表现出色。