例如：
早期的层检测边缘或角落。
更深层次可以解释更复杂的特征，例如汽车或树木。
实际上，3×3 边缘检测过滤器会扫描 9 像素网格中中东赌博数据的像素值。它会突出显示边界并为下一阶段创建特征图。池化层会保留最重要的特征并丢弃其余特征。这有助于模型跨不同数据集进行泛化。
分类
全连接层将最终的特征图转换为输出层的概率。这将学习到的模式与标签联系起来。
例如：
经过野生动物训练的 CNN 可能会查看一张图片，并将 95% 的概率分配给“老虎”，将 5% 的概率分配给“狮子”。
在自动驾驶汽车中，CNN 可以检测行人、路标或障碍物。
通过连接所有神经元，全连接层使用所有特征在输出层进行预测。像 softmax 这样的激活函数会将概率标准化以改善预测。这对于现实世界中的应用（如面部识别或医学成像中的肿瘤识别）非常重要。
图像识别中的卷积神经网络
CNN 执行数十种图像识别任务，为我们每天使用的技术提供支持。以下只是几个例子：
CNN 在图像识别中的应用
日常生活中的计算机视觉
CNN 可以解锁设备、进行实时监控和安全访问，为我们提供安全便捷的用户体验。让我们深入研究一下。