CNN 入门教学
面向深度学习新手的 PyTorch 基础入门代码环境，可直接运行学习。
⬇️ 下载原始 Jupyter Notebook (.ipynb) 文件
🚀 在线运行 (Google Colab)🧠 小白科普：到底什么是 CNN？
很多同学听到**CNN（卷积神经网络，Convolutional Neural Network）**可能会觉得很高深，其实它的原理非常像我们人类“认东西”的过程。
想象一下：你面前有一张“猫”的照片。你是怎么认出这是一只猫的？
- 你不会一次性去死记硬背照片里的每一个像素点。
- 你会先看局部特征：尖尖的耳朵、圆圆的瞳孔、几根胡须……
- 当这些特征组合在一起时，你的大脑就会得出结论：“这是一只猫！”
👆 电脑眼里的猫是一堆由红(R)、绿(G)、蓝(B)构成的数字矩阵。为了能让卷积层（放大镜）完美地扫描最边缘的特征不漏掉数据，我们通常会在矩阵的最外围补上一圈“0”（即图中的 pad 边界）。
CNN 就是在模仿这个过程。只不过在我们组的电生理实验里，它并不是用来看“图片”，而是用来看我们的“一维电波信号”！
提取波峰特征
压缩冗余数据
预测正常/病变
核心概念通俗解释
为了看懂代码，你只需要了解 CNN 的三大核心组件（配合动图食用，风味更佳）：
1. 🔍 卷积层 (Convolution Layer) —— “找特征的放大镜”
9
👆 放大镜滑过中间的数据段 [5, 9, 2]，匹配上了它要找的“中间突起”规律，算出了一个高分 9。
你可以把卷积层想象成一个沿着你的信号从左到右滑动的放大镜（特征提取器/卷积核）。 就像上面的图解一样，这个放大镜每次盖住一小块区域，然后对这块区域进行乘法计算。它专门负责寻找“这里有没有它认识的零件？”。比如在电生理信号里，它滑动时可能就是在找：“这里有没有一个突然向上的尖峰（P波/R波等）？”或者“这里有没有一个小幅度的震荡？”。
2. 🗜️ 池化层 (Pooling Layer) —— “抓大放小的压缩机”
👆 在每两个相邻的数据中，只保留了最强的信号（8和12），数据量瞬间减半！
经过放大镜扫描后，我们得出了很大一张“特征图”。但数据太多了计算太慢咋办？ 池化层的作用就是保留最明显的特征，把冗余的信息扔掉。比如上面这张图展示的“最大池化（Max Pooling）”，它的意思是：在相邻的一小段波形里，我只挑那个数字最大、波动最厉害、信号最强的特征记录下来，其它的直接扔掉。这不仅能巨幅减少计算量，还能防止模型死记硬背（防止过拟合）。
3. ⚖️ 全连接层 (Fully Connected Layer) —— “做最后决定的法官”
综合各项得分
👆 最后，“法官”综合了前面提取出来的所有线索，给出了最终预测的分类结果。
当波形经过前面的“放大镜”搜集零件、又被“压缩机”提炼精华后，多层的特征会被拉直传递，所有的关键线索（有没有尖峰、频段范围等）都会送到最右侧的“全连接层”。 这里就像是一群法官在投票：“由于我看到了前面发现的特征组合，所以我打赌这段信号属于异常类！”最后它会输出一个概率（比如 90% 概率是心率不齐，10% 概率是正常信号）。
💡 为什么组里爱用 CNN 处理实验信号？
相比于传统的提取特征（比如你要自己写代码去算峰值幅度、频率、斜率），CNN 能自己“学会”该看什么特征。只要你喂给它的数据够多，并且告诉它答案是什么，它就能变成一个超级熟练的信号分类专家！
去上面的在线链接里跑跑代码吧，感受一下它是怎么一步步分析数据的！