1.For循环版本:手工实现 卷积-池化-激活
2.Pytorch版本:调用函数完成 卷积-池化-激活
3.可视化:了解数字与图像之间的关系
总结: 卷积-池化-激活是卷积神经网络中常用的组合操作。卷积层用于提取输入数据的特征,池化层用于降低特征图的尺寸并保留主要信息,激活函数用于引入非线性特性。这个组合操作有助于网络学习图像中的局部特征,并对其进行处理和提取,从而实现对图像的有效表示和分类。
通过合理选择卷积核大小、池化方式和激活函数类型,我们可以根据具体任务的需求来设计卷积-池化-