深度卷积神经网络

和卷积核一样大的小窗口在图片上盖着，这个小窗口被称为感受野，就是这个浅蓝色区域。

浅蓝色的区域的图像上的像素和卷积核上的权重，对应位置相乘，然后求和，写到右边，就生成了一个feature map，这就是一个卷积的运算，在卷积过程中，卷积核的权重是不变的，所以是局部连接，权值共享，这就是卷积的一个特点。

如果是三通道的RGB彩色图片呢？刚刚是一通道的灰度图

我们的卷积核，也应该有三个通道，在三维矩阵中进行滑动，仍然是感受野中的像素和卷积核中的权重对应位置相乘，乘积求和，填到右边，就生成了一个feature map

池化层又叫下采样层，池化可以减少feature map的尺寸，减小计算量，同时可以防止过拟合，

把一些噪音过滤掉，同时为卷积神经网络引入了平移不变性。

池化层后面还可以继续接卷积层或池化层，一直到最后得到这个feature map，把一个feature map拉平为一个长向量，把这个长向量喂到全连接神经网络中。

分析：既可以解决二分类问题，也可以解决多分类问题。

卷积层可以理解为提取图像的特征，全连接层可以理解为用提取出来的特征来进行分类，也就是说对提取出来的特征进行融合和汇总。

分析：这就是整个卷积神经网络的基本架构，卷积，池化，卷积，池化，卷积，池化，全连接，全连接，全连接，输出。

Dense layer 就是常提到和用到的全连接层

密集层（Dense Layer）是深度学习中常用的一种神经网络层，也被称为全连接层（Fully Connected Layer）或线性层（Linear Layer）

底层的卷积层提取的是一些底层的特征，比如边缘，颜色，中间的卷积层提取的就越来越高级，

越来越特化，可能会有一些形状，网络越往深走，提取的特征就越来越高级和特化，比如物体，越来越倾向于语义特征的提取。

更加细致的内容参考下面视频：

参考：

同济子豪兄

【精读AI论文】AlexNet深度学习图像分类算法_哔哩哔哩_bilibili