cnn学习笔记一

cnn概述（卷积神经网络）

卷积神经网络其实就是针对图像识别模拟人脑的一个神经网络

数据输入层：Input Layer
卷积计算层：CONV Layer
ReLU激励层：ReLU Incentive Layer
池化层：Pooling Layer
全连接层：FC Layer

数据输入层：Input Layer

其实就是对输入的数据进行预处理
预处理原因：

处理的方式：均值化处理、归一化操作、PCA降维、白化
可以参考链接

卷积层

我觉得需要记住的是：
（1）对局部感知
（2）卷积使得参数大大减小，计算量大大下降
（3）在卷积神经网络中，输入是一个多通道图像
卷积的计算过程演示演示

激励层

CNN中一般使用RELU函数作为激活函数.它的作用主要是将卷积层的输出结果做非线性映射
常见的激活函数

池化层

在连续的卷积层中间存在的就是池化层
我理解的池化层就是
（1）可以降低维度, 能够在一定程度上防止过拟合的发生
（2）减小空间尺寸来减小参数量和网络中的计算

全连接层

连接着之前的所有激活输出，通常情况下，在CNN中，FC层只会在尾部出现
通过全连接结构,将前面输出的特征重新组合成一张完整的图像