卷积神经网络（CNN）是一种深度学习模型，通过多层结构实现图像识别等任务。CNN包括输入层、卷积层、池化层、全连接层和输出层。输入层接收原始数据，卷积层通过滑动卷积核提取图像特征，池化层进一步压缩特征图，减少过拟合并提高模型对平移等变换的鲁棒性。全连接层将提取的特征展开并进行分类或回归任务，输出层通过Softmax函数生成概率分布，完成最终预测。CNN广泛用于图像处理、手写数字识别等领域，具有很强

【代码】【算法练习】CSP--202403-1--词频统计。

卷积神经网络（CNN）是一种深度学习模型，通过多层结构实现图像识别等任务。CNN包括输入层、卷积层、池化层、全连接层和输出层。输入层接收原始数据，卷积层通过滑动卷积核提取图像特征，池化层进一步压缩特征图，减少过拟合并提高模型对平移等变换的鲁棒性。全连接层将提取的特征展开并进行分类或回归任务，输出层通过Softmax函数生成概率分布，完成最终预测。CNN广泛用于图像处理、手写数字识别等领域，具有很强

学习率（Learning Rate）是深度学习中的关键超参数，控制模型参数在每次更新时移动的步长。学习率过大可能导致模型发散或震荡，过小则可能导致收敛缓慢或陷入局部最优。选择合适的学习率能够加快训练速度并提高模型的性能。常见的学习率调整策略包括学习率衰减、指数衰减、余弦退火等。此外，使用自适应优化器如Adam或RMSprop也能动态调整学习率，适应不同的训练需求。

Dropout和DropPath是两种常用的正则化技术，用于提高深度神经网络的泛化能力。Dropout通过随机移除部分神经元及其连接，防止神经元共适应性，促使每个神经元独立学习有用特征，从而减少过拟合。DropPath则随机丢弃深度网络中的整个路径或残差块，特别适用于带有残差连接的网络（如ResNet），使网络在不同路径组合下工作，提升鲁棒性和泛化能力。在训练过程中，DropPath会随机丢弃主路

指数移动平均（EMA）是一种加权平均技术，常用于平滑数据序列，特别是在深度学习中跟踪模型参数的平滑版本。EMA通过赋予最近更新较大的权重，历史更新权重逐渐减小，使得它能快速响应新变化，保留平滑效果。相比于简单移动平均（SMA），EMA更加重视最新数据。例如，训练模型时，EMA能生成一个比最新模型参数更稳定的版本，提升泛化能力，抑制过拟合和训练过程中的波动，从而改善模型性能。

C++上机练习复习