文章目录 典型的 CNN 由3个部分构成: 1、卷积层 卷积层的作用: 为什么卷积能够提取图像特征? 2、池化层 3、全连接层【待更新,我还是没讲清楚】 全连接层作用 全连接层运行流程? 运行流程举例 典型的 CNN 由3个部分构成: 卷积层:卷积层负责提取图像中的局部特征; 池化层:池化层用来大幅降低参数量级(降维); 全连接层:全连接层类似传统神经网络的部分,用来输出想要的结果。 1、卷积层 卷积层的作用: 提取图像的特征,并且卷积核的权重是可以学习的,卷积操作能突破传统滤波器的限制,根据目标函数提取出想要的特征; 参数共享(一个卷积核用来滤整个图像,而不是很多个卷积核),降低了网络参数,提升训练效率。 为什么卷积能够提取图像特征? 假设现在有一张图片,我们需要识别老鼠屁股上的这一片区域。 绿框内的图像值可能是这样的(当然,这并不是真正的灰度值) <