尽管标准的完全连接网络独立处理输入特征，但它们在处理图像等数据中存在的空间层级结构时表现不佳。本章介绍卷积神经网络 (CNN)，这是一种专门的架构，旨在高效地从网格状数据中学习，通过保留和分析空间关系。

您将学习CNN的基本构成部分以及如何使用Keras实现它们：

• 卷积层 ($Conv2D$)：了解滤波器（核）如何在输入数据上滑动以检测边缘、纹理和形状等模式，并生成特征图。
• 池化层 ($MaxPooling2D$)：掌握池化如何降低特征图的空间维度，使模型对物体位置的变化更具适应性，并减少计算负担。
• 构建CNN架构：学习如何堆叠卷积层和池化层，然后接上Flatten和Dense层，以构建能够完成图像分类等任务的模型。
• 处理图像数据：学习使用Keras工具来加载、预处理和增强图像数据集。
• 实际操作：通过在一个标准图像数据集上构建和训练一个CNN模型来应用这些知识。

在本章结束时，您将能够为图像相关任务构建、训练和理解CNN的基本运作方式。