人工智能：CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的知识梳理

卷积神经网络（CNN）

卷积神经网络（CNN），也被称为ConvNets或Convolutional Neural Networks，是一种深度学习神经网络架构，主要用于处理和分析具有网格状结构的数据，特别是图像和视频数据。CNN 在计算机视觉任务中表现出色，因为它们能够有效地捕获和识别图像中的特征，具有平移不变性（translation invariance）。

CNN的关键特征包括：

1. 卷积层（Convolutional Layers）：这些层使用卷积操作来扫描输入图像，从中提取局部特征。卷积操作是通过在输入数据上滑动一个小窗口（称为卷积核）来实现的，窗口的权重在整个输入上共享，这有助于减少网络的参数数量。

2. 池化层（Pooling Layers）：池化层用于减小特征图的尺寸，减少计算负担，并提高网络的平移不变性。常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。

3. 激活函数：通常，CNN中的每个神经元都会应用一个激活函数，如ReLU（Rectified Linear Unit），以引入非线性特性，使网络能够学习更复杂的模式。
   ReLU（Rectified Linear Unit）激活函数：