第3.1章 卷积神经网络(CNN)——Conv、Pool、FC、Activation Function、BN各个层的作用及原理

【详见】卷积网络中三种类型的层

一、Convolution(CONV)

作用： 通过卷积层中卷积核运算，提取卷积核希望提取的特征。

二、Pooling(POOL)

作用： Andrew Ng 对池化层的作用是这样解释的：“ConvNets often also use pooling layers to reduce the size of the representation, to speed the computation, as well as make some of the features that detects a bit more robust”。即减小图像大小、加速计算、使其检测出的特征更加健壮。

三、Fully Connected(FC)

作用： 分类

四、Activation Function

【详见】第1.2章 神经网络中隐藏层、偏置单元、激活函数的作用（使用激活函数的原因）
作用： 为了得到更复杂的函数关系

五、