卷积层，池化层，全连接层作用

1.卷积层的作用

我们知道，一张图片由许多个像素点组成。

这些像素点在人眼看来就是颜色，但是在计算机看来就是一个个数字矩阵，图像有几个通道就由几个矩阵相加而成的，比如我们常见的RGB通道，就是三通道，同理则有三个矩阵相加而成。

所以计算机可以通过运算来提取这些像素的特征从而来为我们后面的工作做铺垫。

说到特征提取，就不得不提到卷积层了。

卷积层的作用在于提取图像信息，这些信息被称为图像特征，比如图像的颜色，纹理等等。

这里的卷积操作是通过卷积核对每个通道的矩阵从左到右（卷积核一般是3x3的矩阵）从上至下进行互相关运算（先是从左到右，再是从上至下，所以卷积操作也会保留位置信息），就像一个小的窗口一样，从左上角一步步滑动到右下角，滑动的步长是个超参数，互相关运算的意思就是对应位置相乘再相加，最后把三个通道的值也对应加起来得到一个值

下面引用一下别的博主的图：

原文链接：卷积神经网络中卷积层、池化层、全连接层的作用​

 

2.池化层的作用

池化层的作用是对卷积层提取出来的特征进行挑选

常见的操作有最大池化和平均池化，池化层的计算类似于卷积层，但是它的功能不是互相关运算，而是取矩阵中最大值或者平均值。

以下就是最大池化的流程图，取每一块的最大值。

同理，如果是平均池化，每一块就取平均值，这里就不过多赘述。

 

这时候可能就会有人问，为什么没有最小池化？

首先我们要明白，池化层的作用是对输入特征图进行降采样，以减少特征图的尺寸和参数数量，从而减少计算量并提取主要特征。

最大池化是指在池化窗口内选择最大值作为输出，而平均池化是指在池化窗口内计算平均值作为输出。这两种池化操作都能有效地提取特征，而最小池化则很少被使用。

最小池化的主要问题是容易受到噪声的干扰。在图像处理中，通常会存在一些噪声像素，这些噪声像素的值较小，如果使用最小池化操作，可能会将这些噪声像素作为主要特征进行提取，从而影响模型的性能。

另外，最小池化也容易导致信息丢失。最大池化可以提取出输入特征图中的最强特征，而最小池化则会抑制较强的特征，可能会导致一些重要信息的丢失。

3.全连接层的作用

一般情况下，池化层后面都会跟着全连接层，全连接层的作用是将池化层的所有特征矩阵转化成一维的特征大向量，全连接层一般放在神经网络的最后，用于分类图片。

当我们池化完成后

 

从池化层到全连接层会进行池化操作，数据会进行多到少的映射，进行降维，也就是为什么上图从20×12×12变成100个神经元了，数据在慢慢减少，说明离输出结果越来越近，从全连接层到输出层会再一次减少数据，变成更加低维的向量，这个向量的维度就是需要输出的类别数。然后将这个向量的每个值转换成概率的表示，这个操作叫做softmax，softmax使得向量中每个值范围在(0,1)之间，它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。

总结

1.卷积层的作用就是特征提取图片

2.池化层的作用就是对卷积层的特征进行筛选

3.全连接层的作用就是将特征矩阵转化为一位特征向量进行分类，并以概率形式展现出来