以下哪种方法属于卷积神经网络的基本组件()。A. 卷积层B. 池化层C. 激活函数D. 复制层

考查要点：本题主要考查对卷积神经网络（CNN）基本组成组件的理解，需要明确区分CNN的核心结构与其他概念。

解题核心思路：

1. 卷积层是CNN的核心，用于提取输入数据的局部特征。
2. 池化层通过降维减少参数数量，防止过拟合。
3. 激活函数（如ReLU）引入非线性，增强模型表达能力。
4. 复制层并非CNN的标准组件，属于干扰项。

破题关键：

• 明确CNN的典型结构（卷积层→激活函数→池化层→全连接层）。
• 排除非标准组件（如“复制层”）。

选项分析

A. 卷积层

核心组件：卷积层通过卷积核滑动计算，提取输入数据的局部特征（如图像边缘、纹理），是CNN区别于传统神经网络的关键。

B. 池化层

核心组件：池化层（如最大池化）通过下采样降低数据维度，减少计算量，同时增强模型对平移的鲁棒性。

C. 激活函数

核心组件：激活函数（如ReLU）引入非线性，使模型能学习复杂特征。通常紧跟卷积层后使用。

D. 复制层

干扰项：CNN标准结构中无“复制层”。可能指数据增强中的操作（如镜像、裁剪），但不属于网络组件。