1.数据输入层
2.卷积计算层 (卷积的计算 参数共享机制)
3.激励层(把卷积层输出结果做非线性映射)
4.磁化层(用于压缩数据和参数的量,减小过拟合,方法有 Maxpooling 和average pooling)
5.全连接层
卷积神经网络之训练算法
1.同一般机器学习算法,先定义Loss function ,衡量和实际结果之间差距
2.找到最小化损失函数的W和b, CNN中用的算法是(SGD)
卷积神经网络之优缺点:
优点
1.共享卷积核,对高维数据处理吴压力
2.无需动手选取特征,训练好权重,即得特征,分类效果好
缺点
1.需要调参,需要大量样本,训练最好要GPU
2.物理含义不明确(也就说我们并不知道每个卷积层到底提取到的是什么特征,而且神经网络本身就是一种难以解释的“黑箱模型”