深度学习实战（五）——卷积、池化函数的参数介绍

                               

全连接层的缺点：

         见下面1.2过滤器参数介绍中关于全连接层和卷积层参数的数量，通过对比发现，相同输入下，全连接的参数数量要远大于卷积所需要的数量。参数增多除了导致计算速 度减慢，还很容易导致过拟合问题。所以需要一个更合理的神经网络结构来有效地减少神经网络中参数个数。卷积神经网络就可以达到这个目的。

                           

这里再详细介绍下卷积神经网络5种组成结构：输入层、卷积层、池化层、全连接层、Softmax层

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。 比如在图 6-7 中， 最左侧的三维矩阵就可以代表一张图片。其三维矩阵的长和宽代表了图像大小，而三维矩阵的深度代表了图像的色彩通道 （channel ）。比如黑白图片的深度为1，而 RGB 彩模式下 ，图像深度为3。