简述深度学习中卷积神经网络（CNN）的基本结构和工作原理。

答题要点

可采用STAR法则回答，先说明CNN的基本结构（Situation），再阐述其工作原理（Task、Action、Result）。关键要点：1. 卷积层：通过卷积核提取图像特征，减少参数数量。例如不同的卷积核可以提取图像的边缘、纹理等特征。2. 池化层：对特征图进行下采样，降低数据维度，增强特征的鲁棒性。如最大池化能保留特征图中的最大值。3. 全连接层：将提取的特征进行整合，完成分类或回归任务。示例思路：CNN主要由卷积层、池化层和全连接层构成。卷积层利用卷积核提取图像特征，不同卷积核可提取不同特征，如边缘、纹理等。池化层对特征图下采样，降低维度，增强鲁棒性，像最大池化保留最大值。最后全连接层整合特征，进行分类或回归，例如在图像分类任务中确定图像所属类别。