请解释卷积神经网络（CNN）的核心概念，并概述它的主要构成部分以及常见的应用场景。
考察说明
考查对卷积神经网络基本组成和典型应用的掌握程度。
回答思路
- 【回答框架 1】卷积神经网络是一种专门处理网格结构数据（如图像）的深度学习模型，核心是利用卷积运算自动提取局部特征。其主要组件包括卷积层、激活函数、池化层、全连接层和损失函数。
- 【回答框架 2】卷积层通过多个卷积核在输入上滑动，计算局部加权和并生成特征图，具有参数共享和局部连接特性，能显著减少参数量。激活函数（如ReLU）引入非线性，增强模型表达能力。
- 【回答框架 3】池化层（如最大池化或平均池化）对特征图进行下采样，降低空间尺寸并保留重要信息，提升平移不变性和计算效率。全连接层将提取的抽象特征映射到输出类别。
- 【回答框架 4】CNN常见于计算机视觉任务，如图像分类、目标检测、图像分割和面部识别，也用于语音识别、自然语言处理等序列数据场景，常通过迁移学习在预训练模型上微调。
- 【回答框架 5】训练CNN使用反向传播和梯度下降等优化算法，需要大量标注数据和计算资源，常配合数据增强、正则化和批归一化等技术防止过拟合并提升泛化能力。
- 【关键点 1】CNN利用卷积核的局部连接和参数共享提取特征，大幅减少参数量。
- 【关键点 2】核心组件包括卷积层、激活函数、池化层和全连接层。
- 【关键点 3】下采样由池化层完成，增大感受野并降低计算量。
- 【关键点 4】典型应用涵盖图像分类（如ImageNet）、目标检测（如YOLO）及人脸识别等。
- 【关键点 5】训练依赖反向传播和优化器，常结合数据增强与正则化。
- 【易错点 1】混淆卷积层与全连接层的功能，忽略池化层对空间尺寸的影响。
- 【易错点 2】认为CNN只能处理图像，忽略其在文本、语音等序列数据中的应用。
- 【易错点 3】忽视激活函数在引入非线性中的作用，导致对模型能力理解偏差。