本周系统完成了卷积神经网络的基础理论学习，全面掌握了CNN的核心原理与运行机制。卷积神经网络依靠局部连接、参数共享、层级化特征提取三大核心优势，解决了传统全连接网络处理图像数据的弊端，实现了视觉特征的高效提取与表征。其中卷积层负责挖掘图像局部细节特征，池化层完成特征压缩与降噪筛选，多卷积核与深层堆叠结构则支撑模型完成从基础视觉元素到高级语义信息的逐层抽象。通过对卷积运算、填充步长、池化机制、多通道

本周在系统巩固梯度下降原理、神经网络前向传播与反向传播训练流程的基础上，重点围绕各类主流激活函数展开深入学习，通过对比不同激活函数的特性、优势与适用场景，深度理解了非线性机制在深度学习中的核心作用。学习过程扎实，理清了激活函数与模型表达能力、训练稳定性之间的关联，为后续模型设计与调优奠定了重要基础。关键词：深度学习；激活函数；非线性机制；梯度下降；神经网络训练Keywords。