卷积神经网络 冻结的优势和好处

卷积神经网络（Convolutional Neural Network, CNN）是一种深度学习神经网络，常用于图像和语音识别等领域。CNN的核心是卷积层、池化层和全连接层，其中卷积层和池化层用于提取图像特征，全连接层则用于分类。

冻结指的是在训练模型后，固定一些层的参数，不再更新它们的权重。这种方法在迁移学习中经常被使用，即将已经训练好的模型应用到新的任务上。冻结一些层可以带来以下优势和好处：

1. 加快训练速度：冻结部分层之后，可以减少反向传播时需要更新的权重数量，从而加快训练速度。

2. 防止过拟合：在训练过程中，模型往往会过度拟合已有数据，导致泛化能力变差。通过冻结一些层的参数，可以降低过拟合的风险。

3. 适应新任务：对于新的任务，冻结一些层可以使模型更快地适应新的数据集。例如，在迁移学习中，通常会将预训练好的模型作为特征提取器，只更新最后几层的权重以适应新的分类任务。

相关问题：
1. CNN是如何提取图像特征的？
2. 什么是池化层和全连接层？
3. 迁移学习中常用哪些方法？