对于卷积层和池化层以及激活函数的理解

这里先写一下比较整体的：这里对卷积层写一下总结：卷积层通常是用作对输入层输入数据进行特征提取。池化层负责对感受域内的特征进行筛选，提取区域内最具代表性的特征，能够有效地降低输出尺度，进而减少模型所需要的参数量。

首先我们来了解一下卷积层，卷积层CNN（也就是卷积神经网络）中比较重要的一层，首先我们可以了解一下一些基本的概念：

首先可以了解一下什么是卷积：卷积是一种有效提取图片特征的方法 。 一般用一个正方形卷积核，遍历图片上的每一个像素点。图片与卷积核重合区域内相对应的每一个像素值，乘卷积核内相对应点的权重，然后求和， 再加上偏置后，最后得到输出图片中的一个像素值。

对于卷积神经网络，所需要进行的操作是对图片进行分类处理什么的，而图片分灰度图和彩色图，卷积核可以是单个也可以是多个，因此卷积操作分以下三种情况：1.单通道输入，单卷积核、2.多通道输入，单卷积核、3.多通道输入，多卷积核。

这里也可以再稍微介绍一下卷积运算的一些内容：包括卷积运算、填充、填白、步幅、步长、滤波器、偏置。

卷积运算：卷积运算是指以一定间隔滑动卷积核的窗口，将各个位置上卷积核的元素和输入的对应元素相乘，然后再求和（有时将这个计算称为乘积累加运算），将这个结果保存到输出的对应位置。卷积运算如下所示：

后面的就先不长篇大论的展开叙述了。

之后我们来了解一下池化层：

池化（Pooling），有的地方也称汇聚，实际是一个下采样（Down-sample）过程，用来缩小高、长方向的尺寸，减小模型规模，提高运算速度，同时提高所提取特征的鲁棒性。简单来说，就是为了提取一定区域的主要特征，并减少参数数量，防止模型过拟合。

池化层通常出现在卷积层之后，二者相互交替出现，并且每个卷积层都与一个池化层一一对应。

常用的池化函数有：平均池化（Average Pooling / Mean Pooling）、最大池化（Max Pooling）、最小池化（Min Pooling）和随机池化（Stochastic Pooling）等

三种池化方式各有优缺点，均值池化是对所有特征点求平均值，而最大值池化是对特征点的求最大值。而随机池化则介于两者之间，通过对像素点按数值大小赋予概率，再按照概率进行亚采样，在平均意义上，与均值采样近似，在局部意义上，则服从最大值采样的准则。

之后来了解一下激活函数：

激活函数（Activation Function）运行时激活神经网络中某一部分神经元，将激活信息向后传入下一层的神经网络。

激活函数的作用：

增加模型的非线性分割能力；

提高模型鲁棒性：可以拟合各种不同情形中的数据；

缓解梯度消失(Vanishing Gradients)问题；

加速模型收敛等等。