李劍博士，教授，博士生導師網絡空間安全學院lijian@January23,2025第三章卷積神經網絡的安全應用3.1卷積神經網絡原理介紹本章介紹

卷積神經網絡（ConvolutionalNeuralNetworks,CNN）是人工智能中使用最為普遍的機器學習模型之一。本章簡要講述卷積神經網絡CNN的原理和它的實踐應用。在實踐案例中主要講述了三個經典案例：第一個是基于卷積神經網絡的數據投毒攻擊；第二個是基于卷積神經網絡的人臉活體檢測；最后一個是基于卷積神經網絡的驗證碼識別。1.神經網絡

神經網絡是一種受大腦神經元結構啟發而來的數學模型。它由大量的節點神經元和連接這些節點神經元的邊突出組成。每個節點可以接收輸入信息，通過激活函數處理這些信息，并將處理后的信息傳遞給其他節點。神經網絡通過調整這些節點之間的連接權重來學習數據的特征。2.卷積神經網絡概述卷積神經網絡是一種特殊的神經網絡。它在處理圖像數據時引用了卷機操作。卷機操作是一種數學運算，可以將輸入圖像與卷積核進行卷積，從而提取圖像的局部特征。卷積神經網絡CNN是一種在深度學習領域內廣泛使用的神經網絡架構。它特別適用于處理圖像和視頻數據。CNN通過模擬人類視覺系統的工作原理，能夠從圖像中自動學習和識別復雜的特征和模式。這種網絡由多個層組成，每一層都對輸入數據執行不同的操作，從而逐步提取和抽象數據的特征，用于分類、識別和處理視覺信息。CNN在許多領域都有出色的表現，尤其是在圖像識別、面部識別、物體檢測、醫學圖像分析以及自然語言處理等任務中。2.卷積神經網絡概述神經網絡模型訓練過程:3.卷積神經網絡核心組件卷積神經網絡的核心組件共有四個，分別是：卷積層、激活層、池化層和全鏈接層，如圖所示。3.卷積神經網絡核心組件（1）卷積層（ConvolutionalLayer）卷積層是CNN的基礎。它使用卷積運算對輸入圖像進行特征提取。卷積層通過將一個小的濾波器（也稱為卷積核）在輸入圖像上滑動，并對每個位置的局部區域進行卷積操作來提取特征。這種局部連接和權值共享的方式使得CNN能夠有效地捕捉圖像中的局部模式和結構。3.卷積神經網絡核心組件

(1)激活層（ActivationLayer）

激活層主要是激活函數，在神經網絡中扮演重要角色，它引入非線性變換，增加網絡的表達能力，解決線性不可分問題，并確保梯度傳播的有效性。激活函數的選擇和設計需考慮計算效率，以提高模型的訓練和推理速度。3.卷積神經網絡核心組件（3）池化層（PoolingLayer）

池化層用于減小特征圖的尺寸并保留關鍵信息。常用的池化操作是最大池化，它從局部區域中選擇最大值作為代表性特征。池化層的作用是降低特征圖的空間維度，減少參數量，同時具備一定的平移不變性。3.卷積神經網絡核心組件

(4)全連接層（FullyConnectedLayer）

全連接層用于將卷積層和池化層提取的特征映射轉化為最終的輸出。全連接層中的每個神經元都與前一層的所有神經元相連，通過學習權重和偏置來進行特征的組合和分類。全連接層用于將之前各層提取的特征整合起來，并進行分類或回歸等任務。每個神經元與上一層的所有神經元相連，形成了一個全連接的結構。4.AlexNet模型

AlexNet模型卷積神經網絡的一種。它是由AlexKrizhevsky、IlyaSutskever和GeoffreyHinton在2012年提出的。它在ImageNet圖像識別競賽（ILSVRC2012）中取得了巨大的成功，標志著深度學習在計算機視覺領域的突破。AlexNet是第一個展示了深度學習在大規模圖像數據集上卓越性能的模型，對后續神經網絡的設計產生了深遠的影響。6.MNIST數據集MNIST數據集來自美國國家標準與技術研究所。訓練集(trainingset)來自由250個不同人手寫的數字組成,其中50%是高中學生,50%來自人口普查局(theCensusBureau)的工作人員。測試集(testset)也是同樣比例的手寫數字數據。人工智能領域大佬YannLeCun利用MNIST做過測試。他首次提出了CNN神經網絡的概念，并且用神經網絡實現了MNIST數字識別的算法。

MNIST數據集下載地址：http://yann./exdb/mnist/。數據集分為訓練集和測試集，訓練集有60000條數據，測試集有10000條數據，每一條數據都是由785個數字組成，數值大小在0-255之間，第一個數字代表該條數據所表示的數字，后面的784個數字可以形成28×28的矩陣，每一個數值都對應該位置的像素點的像素值大小，由此形成了一幅像素為28×28的