视频字幕
卷积神经网络，简称CNN，是一种专门用于处理网格状数据的深度学习模型，特别适用于图像识别和计算机视觉任务。CNN的主要特点包括局部连接、权重共享、平移不变性和层次特征提取。典型的CNN架构包含输入层、卷积层、池化层和全连接层，通过这些层的组合来自动学习和提取图像特征。
卷积核是卷积神经网络的核心组件，它是一个小的权重矩阵，通常尺寸为3乘3或5乘5。卷积核在输入特征图上滑动，与对应区域进行逐元素相乘并求和，生成输出特征图。不同的卷积核可以检测不同的特征，比如边缘、纹理或形状。这些权重通过训练过程自动学习，并在整个输入上共享，这就是权重共享的概念。
步长和填充是卷积操作中的两个重要参数。步长定义了卷积核每次移动的像素数量，步长为1时逐像素移动，步长为2时跳跃移动，较大的步长会减少输出尺寸。填充是在输入数据边界添加额外像素，通常填充零值。Valid填充不添加像素，输出尺寸会减小；Same填充添加适当的像素，使输出尺寸与输入相似，这样可以保持空间信息并充分利用边缘特征。
特征图是卷积神经网络中卷积层的输出结果，它表示输入数据中检测到的特征的位置和强度。每个卷积核都会产生一个对应的特征图，保留了空间位置信息。随着网络层数的加深，特征图的数量通常会增加，但尺寸会减小。浅层特征图检测简单特征如边缘和纹理，而深层特征图则检测更复杂和抽象的特征如形状和物体部件。多个特征图堆叠在一起构成了卷积层的完整输出。
总结一下CNN的核心概念：卷积核是检测特定特征的权重矩阵，通过训练自动学习；步长控制卷积核的移动距离，影响输出特征图的尺寸；填充帮助保持空间信息，防止特征图过度缩小；特征图是卷积层的输出，表示检测到的特征位置和强度。CNN通过这些组件的协同工作，实现了层次化的特征提取，从而具备强大的视觉理解能力，广泛应用于图像识别、目标检测等计算机视觉任务中。