CNN常见层说明及使用

Convolutional Neural Network 卷积神经网络

一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。

Input layer         输入层

Convolutional layer 卷积层
    卷积层输出的尺寸：
        输出宽度：(W-Fw+2P)/S + 1
        输出高度：(H-Fw+2P)/S + 1
        其中，W ：输入图像的宽度 
              H ：输入图像的高度 
              Fw  ：滤波器或内核的宽度
              Fh ：滤波器的高度
              P ：填充
              S ：步长
     卷积层输出的通道数等于卷积操作期间使用的滤波器的个数
     
polling layer       池化层
    池化层用于在卷积神经网络上减小特征空间维度，但不会减小深度。
    平均池化（average pooling）
    最大池化（max pooling）
    
Non-linearity Layer 非线性层
    在非线性层中，一般使用ReLU激活函数，而不是使用传统的Sigmoid或Tan-H激活函数。
对于输入图像中的每个负值，ReLU激活函数都返回0值，而对于输入图像中的每个正值，它返回相同的值

Fully Connected Layer 全连接层
    在全连接层中，将最后一个卷积层的输出展平，并将当前层的每个节点与下一层的另一个节点连接起来。
    
感受野

为什么选择卷积？
    卷积神经网络具有的参数会更少，因此就可以避免出现过拟合现象。
    

参考：
    https://blog.csdn.net/qq_41727666/article/details/84622965