【Deep Learning笔记之卷积神经网络的架构】

常见架构

CNN的架构通常包括以下几个层：

1.卷积层（Convolutional layer）

该层是CNN中最重要的部分，它使用卷积核对输入图像进行特征提取。每个卷积核都会在图像上滑动，计算出每个位置的特征响应。多个卷积核可以提取不同的特征，例如边缘、颜色、纹理等。

2.池化层（Pooling layer）

该层用于对特征图进行下采样，减少特征图的大小，同时保留最重要的特征。常见的池化方式包括最大池化（Max pooling）和平均池化（Average pooling）。

3.激活函数层（Activation layer）

该层用于引入非线性，使得CNN可以学习更复杂的特征。常见的激活函数包括ReLU、Sigmoid和tanh等。

4.全连接层（Fully connected layer）

该层将之前的特征图转换为一个一维向量，然后使用全连接神经网络进行分类。

5.Softmax层

该层用于计算分类概率，并输出最终的分类结果。

总的来说，输入层是网络的输入，可以是图像、音频或文本等数据。卷积层是卷积神经网络的核心层，它使用卷积运算来提取图像特征。卷积层通常包括多个卷积核，每个卷积核可以提取不同的特征。卷积运算通过将卷积核滑动到图像的每个位置来计算每个位置的特征值。池化层用于降低特征图的分辨率，减少计算量，并且可以在一定程度上提高模型的鲁棒性。通常使用最大池化或平均池化来实现。全连接层用于将卷积层和池化层的输出连接到输出层。最后是输出层，它可以是分类器或回归器，根据具体任务的不同而有所不同。