【TensorFlow实战】7.卷积神经网络（1）------神经网络主要组成结构

一般卷积神经网络主要由以下5种结构组成：

1.输入层。输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵。一般由一个三维矩阵表示，三维矩阵的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的彩色通道。比如黑白图像的深度为1,而RGB图项的深度为3。从输入层开始，卷积神经网络通过不同的神经网络结构将上一层的三维矩阵转化为下一层的三维矩阵，直到最后的全连接层。

2.卷积层。卷积层是一个神经网络中最重要的部分。和传统连接层不同，卷积层中每一个节点的输入只是上一层神经网络的一小块，这个小块常用的大小有3x3或5x5。卷积层试图将神经网络中的每一个小块进行更加深入地分析从而得到抽象程度更高的特征。一般来说，通过卷积层处理过的节点矩阵会变得更深。

3.池化层（Pooling）。池化层神经网络不会改变三维矩阵的深度，但是它可以缩小矩阵的大小。池化操作可以认为是将一张分辨率较高的图片转化为分辨率较低的图片。通过池化层，可以进一步缩小最后全连接层中节点的个数，从而得到减少整个神经网络中参数的目的。

4.全连接层。在经过多轮卷积层和池化层处理之后，在卷积神经网络的最后一层一般会是1到2个全连接层来给出最后的分类结果。经过几轮卷积层和池化层的处理之后，可以认为图像中的信息已经被抽象成了信息含量更高的特征。我们可以将卷积层和池化层看成自动图像特征提取的过程。在特征提取完成之后，仍然需要全连接层来完成分类任务。

5.Softmax层。Softmax层主要用于分类问题。通过Softmax层，可以得到当前样例属于不同种类的概率的分布情况。