---

一、卷积层（Convolution Layer）

1. 功能和作用

• 提取局部特征（Local Features）：图像的每个区域可能都有特征，比如边缘、纹理、角点等。卷积层通过滑动卷积核（Filter），在每个局部区域提取这些特征。
• 参数共享（Parameter Sharing）：同一个卷积核在整个输入图像上滑动，因此卷积层大大减少了参数数量。
• 保持空间结构（Preserve Spatial Structure）：不像全连接层那样打乱位置关系，卷积层保留了特征在图像中的空间位置信息。

2. 运作过程

卷积操作的数学公式如下：

$$Y(i,j)=\sum _{m=0}^{M-1}\sum _{n=0}^{N-1}X(i+m,j+n)\cdot K(m,n)$$

其中：

• $X$：输入图像（或上一层的特征图）
• $K$：卷积核（filter/kernel）
• $Y$：输出特征图（feature map）
• $M$, $N$：卷积核尺寸

3. 举例

假设输入为 $5\times 5$ 图像，使用一个 $3\times 3$ 的卷积核，步长为 1，不使用 padding，则输出大小为：

$$(5-3+1)\times (5-3+1)=3\times 3$$

---

二、池化层（Pooling Layer）

1. 功能和作用

• 降采样（Downsampling）：减小特征图的尺寸，从而减少计算量。
• 增强鲁棒性（Robustness）：对输入中的**小幅度变化（如平移、旋转、缩放）**具有一定不变性。
• 防止过拟合（Overfitting）：通过减少参数数量间接实现。

2. 常见类型

• 最大池化（Max Pooling）：保留池化区域中最大的值。
• 平均池化（Average Pooling）：计算池化区域中所有值的平均值。

3. 举例

假设输入为 $4\times 4$ 特征图，使用 $2\times 2$ 的最大池化，步长为 2：

输入：
$$\left[\begin{array}{cccc}1& 3& 2& 4\\ 5& 6& 1& 2\\ 8& 7& 4& 3\\ 9& 5& 2& 1\end{array}\right]$$

输出：
$$\left[\begin{array}{cc}6& 4\\ 9& 4\end{array}\right]$$

---

三、全连接层（Fully Connected Layer, FC）

1. 功能和作用

• 整合全局特征（Global Feature Integration）：将前面卷积和池化层提取的“局部特征”整合起来，生成最终的分类/回归输出。
• 执行决策任务（Decision Making）：通常放在CNN的尾部，类似传统神经网络的隐藏层，用于对分类结果进行计算。

2. 运作过程

每一个输入节点都与输出节点相连接，数学上等价于矩阵乘法加上偏置：

$$y=W\cdot x+b$$

其中：

• $x$：输入特征向量（通常是展平后的特征图）
• $W$：权重矩阵
• $b$：偏置
• $y$：输出向量

3. 举例

假设卷积和池化后得到一个大小为 $7\times 7\times 64$ 的特征图，展平为一个 $3136$ 维向量，然后传给一个 FC 层，如果最终输出是 10 类分类（如 CIFAR-10），则最终的输出维度是：

$$y=W_{10\times 3136}\cdot x_{3136}+b_{10}$$

---

四、总结：三者的作用比较

层类型	主要功能	输出结构变化
卷积层	提取局部特征，保留空间结构	变为多个 feature maps
池化层	降维，增强平移不变性，减少计算量	降低 feature maps 的空间尺寸
全连接层	整合所有特征并用于最终分类或预测	得到最终输出（如10类概率）

---