图像分类任务中 CNN 相比于前馈神经网络的优势

在图像分类任务中，卷积神经网络（CNN）相比于前馈神经网络（Feedforward Neural Network）具有以下优势：

1. 局部感知能力：CNN通过使用卷积层和池化层来捕捉图像中的局部特征。卷积操作可以有效地共享参数，使得网络能够对输入图像中的不同位置进行共享权重的特征提取。这种局部感知能力使得CNN对于平移、旋转和尺度变化等图像变换具有较好的鲁棒性。

2. 参数共享：CNN中的卷积层和池化层的参数共享特性可以大大减少模型的参数量，降低过拟合的风险，并且使得网络对于输入图像的尺寸变化不敏感。这种参数共享的方式使得CNN能够更好地处理大规模图像数据。

3. 多层次特征提取：CNN通常由多个卷积层和池化层组成，每一层都可以提取不同抽象级别的特征。底层的卷积层可以捕捉低级别的图像特征，如边缘和纹理，而深层的卷积层可以捕捉更高级别的语义特征，如物体的形状和结构。这种多层次特征提取使得CNN能够学习到更加丰富和抽象的图像表示。

4. 参数优化：CNN中的卷积操作和池化操作具有局部性和平移不变性的特点，使得网络的参数优化相对较为容易。此外，通过使用反向传播算法，CNN可以自动学习到适合图像分类任务的特征表示，无需手动设计特征。

综上所述，相比于前馈神经网络，CNN在图像分类任务中具有更好的局部感知能力、参数共享、多层次特征提取和参数优化等优势，使其成为目前图像分类领域最常用和有效的模型之一。