【深度学习笔记】关于卷积层、池化层、全连接层简单的比较

	卷积层	池化层	全连接层
功能	提取特征	压缩特征图，提取主要特征	将学到的“分布式特征表示”映射到样本标记空间
操作	https://www.cnblogs.com/nsnow/p/4562308.html 可看这个的动态图，可惜是二维的。对于三维数据比如RGB图像（3通道），卷积核的深度必须同输入的通道数，输出的通道数等于卷积核的个数。 卷积操作会改变输入特征图的通道数。	池化只是在二维数据上操作的，因此不改变输入的通道数。对于多通道的输入，这一点和卷积区别很大。	可以看做一种卷积操作，代码实现时先将输入转换为向量，然后送入卷积大小为向量长度的卷积层即可。
特性	权值共享：减少了参数的数量，并利用了图像目标的位置无关性。 稀疏连接：输出的每个值只依赖于输入的部分值。		参数太多了，已经很少用了。

目前只是对卷积层和池化层的操作进行较为深入的理解和比较，主要是针对多通道图像。

至于对功能、特性等的理解，待进一步探究。