Maker-第五次深度学习

1.卷积层和池化层

卷积层：被称为过滤器或者内核或者卷积核，通过卷积操作对输入图像进行降维和特征抽取

池化层：在进行卷积操作之后对得到的特征图像进行分块，图像被划分成的不相交块，计算这些块内的最大值或平均值，得到池化后的图像。

   池化层作用：

1. 降维，缩减模型大小，提高计算速度
2. 降低过拟合概率，提升特征提取鲁棒性
3. 对平移和旋转不敏感

目的：
1.使特征图变小，简化网络计算复杂度。

2.特征压缩，提取主要特征
3.加快计算速度
4.防止过拟合
5.缩小最后全连接层中节点的个数，减少整个神经网络参数

2.激活函数的作用

1.提高模型鲁棒性(抗干扰能力)，非线性表达能力，缓解梯度消失问题、加速模型收敛

2.将当前特征空间映射转换到另一个空间，让数据能够更好的被分类

3.非线性激活函数：·假若网络中全部是线性部件，那么线性的组合还是线性，与单独一个线性分类器无异；网络更加强大，学习复杂的事物，复杂的表单数据，从输入输出之间生成非线性映射。

3.猫狗分类

数据集下载

 网络配置

 优化方法