⑴ 卷積層、激活層、池化層到全連接層深度解析
全連接神經網路對計算資源要求較高，容易導致過擬合，因此引入局部連接與權值共享來降低參數數量，同時保持較強的學習能力。局部連接與權值共享使得網路權重減少，學習能力不減，同時具備顯著優勢。
卷積神經網路（CNN）通過局部連接與權值共享實現高效處理圖像數據。其中，局部連接指神經元僅與局部區域內的其他神經元連接，權值共享則意味著不同位置的相同權重，實現一張圖片的高效識別。
輸入層進行圖像預處理，常見的方式包括均值化、歸一化與去相關、白化。卷積層利用局部關聯性質，通過滑動窗口（filter）掃描圖片，形成特徵圖，提取圖片的n維特徵。卷積操作將filter與局部矩陣作用產生值，構成特徵圖，權值共享確保卷積核在整個圖片中作用一致。
彩色圖像處理時，filter窗口滑動同時考慮深度維度，產生具有三個通道的卷積核，分別作用於輸入圖片的藍、綠、紅通道，形成特徵圖。
激勵層對卷積結果進行非線性映射，常用激活函數包括Sigmoid、Tanh、ReLU與Leaky ReLU，優化網路性能。
池化層降低特徵圖維度，保持重要信息，Max pooling與Average pooling兩種方法通過下采樣減少數據量，避免過擬合，同時去除冗餘信息，不影響識別結果。
全連接層接收卷積層輸出的特徵圖，進行特徵整合與分類。卷積神經網路從輸入層到全連接層，通過層次結構與特定層的功能實現高效圖像識別與分類。
⑵ Unet網路詳解
Unet網路詳解：
一、網路用途 Unet網路主要用於解決生物醫學圖像處理問題，特別是在醫學圖像分割領域得到了廣泛應用。
二、網路結構 整體結構：Unet網路結構類似於字母U，因此得名。其左半部分負責特徵提取，右半部分負責上采樣。 輸入：輸入圖像為572×572×1，即長寬各572像素，通道數為1。
三、網路組件 卷積塊： 示例：第一個卷積塊conv1的輸入通道數為1，輸出通道數為64，卷積核大小為3，padding=0，stride=1。 卷積後的圖像尺寸變化：通過conv1，原圖像尺寸由572變為570。 最大池化： 功能：對二次卷積後的特徵圖進行降維壓縮。 示例：對568×568的圖像進行2×2的filter進行掃描，圖像尺寸變為284×284。 上采樣： 功能：恢復圖像維度，進行更高解析度的操作，為反卷積操作。 實質：一種卷積操作，恢復了部分圖像特徵，但不是完全的逆運算。 復制和裁剪： 功能：進行通道數拼接，將編碼器中的特徵圖與解碼器中的特徵圖進行融合。
四、核心思想 Unet網路採用下采樣、上采樣和跳躍連接的經典設計方法，許多卷積神經網路都借鑒了Unet的核心思想，並在其基礎上進行模塊修改和設計。
五、總結 Unet網路以其獨特的U形結構和跳躍連接，在生物醫學圖像處理，特別是醫學圖像分割領域取得了顯著成果。其編碼器解碼器結構，以及卷積塊、最大池化、上采樣和復制裁剪等組件的巧妙組合，使得Unet網路能夠有效地提取圖像特徵並進行准確分割。