卷积神经网络（CNN）

卷积神经网络（CNN）


CNN基本模块
CNN由输入和输出层以及多个隐藏层组成，隐藏层可分为卷积层，池化层、RELU层和全连通层。

CNN的输入一般是二维向量，可以有高度，比如，RGB图像


卷积层是CNN的核心，层的参数由一组可学习的滤波器（filter）或内核（kernels）组成，它们具有小的感受野，


池化层又称下采样，它的作用是减小数据处理量同时保留有用信息，
通常池化层是每邻域四个像素中的最大值变为一个像素（这就是下一讲要降的max_pooling），为什么可以这么做呢？这是因为卷积已经提取出特征，相邻区域的特征是类似，近乎不变，这是池化只是选出最能表征特征的像素，缩减了数据量，同时保留了特征，何乐而不为呢？池化层的作用可以描述为模糊图像，丢掉了一些不是那么重要的特征.


卷积层的作用：就是提取图片每个小部分里具有的特征


[url]https://www.cnblogs.com/fydeblog/p/7450413.html[/url]
[url]https://blog.csdn.net/zzz_cming/article/details/79192815[/url]