在人工智能领域，神经网络是一种模拟人脑神经元连接方式的模型。它通过多层结构对输入数据进行逐层抽象，从而完成分类、识别或预测等任务。

在深度学习发展的早期，最常见的模型是

全连接神经网络

（Fully Connected Neural Network，FCNN）。

一、什么是全连接神经网络

全连接神经网络的结构非常简单：

输入层 → 隐藏层 → 输出层

全连接就是指每一层的每一个神经元，都与下一层的所有神经元相连。其数学表达形式为y=h(Wx+b)，其中x为输入、y为输出、W为权重矩阵、b为偏置项，h()作为激活函数。

全连接神经网络结构简单，但当我们将图像输入全连接网络时，发现出现了参数量巨大、计算成本极高、极易过拟合、丢失图像的空间结构信息等问题。

例如假设我们处理一张224×224×3的彩色图像总输入维度为224×224×3=150,528；如果第一层有 1000 个神经元，那么参数数量是150,528×1000=1.5亿参数，这还只是第一层，随着神经网络层数的提升，巨大的参数量将会出现。同时，全连接网络把图像拉平成一维向量，破坏了像素之间的空间关系。

二、卷积神经网络

在全连接神经网络的基础上做出改进：

减少参数量的同时保留空间结构。

卷积神经网络的基本结构：

输入层 → 卷积层 → 激活函数 → 池化层 → 全连接层 → 输出层

01卷积层

其核心作用为提取特征。它通过多个卷积核对输入图像进行卷积操作，生成特征图（Feature Map），具有局部连接、参数共享、保留空间结构信息的特点。

在全连接网络中，每个神经元都看到整张图像；但在卷积神经网络中，每个神经元只看到一个局部区域，我们也称为感受野。

比如一个3×3卷积核只关注3×3的局部像素。通过卷积核的“小窗口”在图像上滑动，寻找局部特征。还是刚刚224×224×3的彩色图像例子，假设使用64个3×3×3卷积核，参数数量为3×3×3×64=1728，参数量骤减，其原因在于卷积核参数在整张图像上共享。

由卷积核在图像上平滑移动生成的特征图具有逐层抽象的特征：第一层提取边缘、第二层提取纹理、第三层提取形状、更深层提取语义特征。这也是 CNN 强大的根本原因。

02激活函数

如果神经网络中只有线性运算，无论叠加多少层，本质上仍然是一个线性模型。数学上也可以证明多层线性变换=一层线性变换。这意味着网络无法拟合复杂的非线性关系、模型表达能力非常有限。

因此，我们需要引入非线性函数——激活函数。利用激活函数可以引入非线性、增强模型表达能力、控制输出范围。

Sigmoid函数

特点：输出范围 (0,1)

缺点：反向传播梯度消失严重。

Tanh函数

特点：输出范围(-1,1)、相比Sigmoid有关于0对称、导数大变化快训练快。

缺点：反向传播仍有梯度消失问题。

Relu函数

特点：计算简单、收敛速度快、无梯度消失问题

缺点：训练时可能出现神经元死亡

Leaky Relu函数

特点：负半轴保留微小梯度，解决了Relu函数出现神经元死亡的问题

03池化层

池化层的作用是降低特征图尺寸、减少计算量、提高鲁棒性。

最常见的两种池化方式：

最大池化（Max Pooling）

平均池化（Average Pooling）

例如2×2最大池化为从一个2×2区域中选取最大值，从而保留最显著特征，忽略细节噪声。

04全连接层

它的作用类似传统神经网络：综合所有特征、输出最终预测结果。

在网络的后期，卷积提取的特征会被拉平成一维向量，输入到全连接层中。

05损失函数

损失函数衡量模型预测结果与真实标签之间的差距、指导反向传播更新参数。

回归问题：

均方误差

分类问题：

交叉熵损失

二分类交叉熵

06输出层

输出层的作用是将输出转换为概率分布且所有类别概率范围为(0,1)和为1

多分类问题中，输出层通常使用 Softmax函数

三、总结

从全连接神经网络到卷积神经网络不是简单的结构变化，而是对数据结构的更深一步理解，其核心差异如下：

卷积神经网络的核心思想可以总结为：

卷积层 → 提取局部特征

激活函数 → 引入非线性

池化层 → 降维与抗干扰

全连接层 → 综合判断

损失函数 → 指导训练优化

其利用图像的空间特性，实现了更少参数、更强表达能力、更好泛化性能。

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，人才需求急为紧迫！

人工智能时代最缺的是什么？就是能动手解决问题还会动脑创新的技术牛人！智泊AI为了让学员毕业后快速成为抢手的AI人才，直接把课程升级到了V6.0版本‌。

这个课程就像搭积木一样，既有机器学习、深度学习这些基本功教学，又教大家玩转大模型开发、处理图片语音等多种数据的新潮技能，把AI技术从基础到前沿全部都包圆了！

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

课程还教大家怎么和AI搭档一起工作，就像程序员带着智能助手写代码、优化方案，效率直接翻倍‌！

这么练出来的学员确实吃香，83%的应届生都进了大厂搞研发，平均工资比同行高出四成多‌。

智泊AI还特别注重培养"人无我有"的能力，比如需求分析、创新设计这些AI暂时替代不了的核心竞争力，让学员在AI时代站稳脚跟‌。

课程优势一：人才库优秀学员参与真实商业项目实训

课程优势二：与大厂深入合作，共建大模型课程

课程优势三：海外高校学历提升

课程优势四：热门岗位全覆盖，匹配企业岗位需求

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

·应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

·零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

·业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

重磅消息

人工智能V6.0升级两大班型：AI大模型全栈班、AI大模型算法班，为学生提供更多选择。

由于文章篇幅有限，在这里我就不一一向大家展示了，学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。

【最新最全版】AI大模型全套学习籽料（可无偿送）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

获取方式：有需要的小伙伴，可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

来智泊AI，高起点就业

培养企业刚需人才

扫码咨询 抢免费试学

⬇⬇⬇

AI大模型学习之路，道阻且长，但只要你坚持下去，就一定会有收获。