⑴ 卷积层、激活层、池化层到全连接层深度解析
全连接神经网络对计算资源要求较高，容易导致过拟合，因此引入局部连接与权值共享来降低参数数量，同时保持较强的学习能力。局部连接与权值共享使得网络权重减少，学习能力不减，同时具备显着优势。
卷积神经网络（CNN）通过局部连接与权值共享实现高效处理图像数据。其中，局部连接指神经元仅与局部区域内的其他神经元连接，权值共享则意味着不同位置的相同权重，实现一张图片的高效识别。
输入层进行图像预处理，常见的方式包括均值化、归一化与去相关、白化。卷积层利用局部关联性质，通过滑动窗口（filter）扫描图片，形成特征图，提取图片的n维特征。卷积操作将filter与局部矩阵作用产生值，构成特征图，权值共享确保卷积核在整个图片中作用一致。
彩色图像处理时，filter窗口滑动同时考虑深度维度，产生具有三个通道的卷积核，分别作用于输入图片的蓝、绿、红通道，形成特征图。
激励层对卷积结果进行非线性映射，常用激活函数包括Sigmoid、Tanh、ReLU与Leaky ReLU，优化网络性能。
池化层降低特征图维度，保持重要信息，Max pooling与Average pooling两种方法通过下采样减少数据量，避免过拟合，同时去除冗余信息，不影响识别结果。
全连接层接收卷积层输出的特征图，进行特征整合与分类。卷积神经网络从输入层到全连接层，通过层次结构与特定层的功能实现高效图像识别与分类。
⑵ Unet网络详解
Unet网络详解：
一、网络用途 Unet网络主要用于解决生物医学图像处理问题，特别是在医学图像分割领域得到了广泛应用。
二、网络结构 整体结构：Unet网络结构类似于字母U，因此得名。其左半部分负责特征提取，右半部分负责上采样。 输入：输入图像为572×572×1，即长宽各572像素，通道数为1。
三、网络组件 卷积块： 示例：第一个卷积块conv1的输入通道数为1，输出通道数为64，卷积核大小为3，padding=0，stride=1。 卷积后的图像尺寸变化：通过conv1，原图像尺寸由572变为570。 最大池化： 功能：对二次卷积后的特征图进行降维压缩。 示例：对568×568的图像进行2×2的filter进行扫描，图像尺寸变为284×284。 上采样： 功能：恢复图像维度，进行更高分辨率的操作，为反卷积操作。 实质：一种卷积操作，恢复了部分图像特征，但不是完全的逆运算。 复制和裁剪： 功能：进行通道数拼接，将编码器中的特征图与解码器中的特征图进行融合。
四、核心思想 Unet网络采用下采样、上采样和跳跃连接的经典设计方法，许多卷积神经网络都借鉴了Unet的核心思想，并在其基础上进行模块修改和设计。
五、总结 Unet网络以其独特的U形结构和跳跃连接，在生物医学图像处理，特别是医学图像分割领域取得了显着成果。其编码器解码器结构，以及卷积块、最大池化、上采样和复制裁剪等组件的巧妙组合，使得Unet网络能够有效地提取图像特征并进行准确分割。