CNN入门——CNN各层功能解释

   众所周知，CNN是一种特殊的深层前馈网络，CNN模型主要包含输入层、卷积层、激励函数、池化层、全连接层以及输出层。接下来将为大家细化分析每一层结构的作用。

输入层(INPUT)：用于数据的输入。
当输入一张3232的jpg图片的时候，输入层能读取到3232*3的矩阵，3是它的深度（即R、G、B）。

卷积层(CONV)：使用卷积核进行特征提取和特征映射。
机器学习识别图片的过程中，并不是一下子整张图同时识别，而是对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息。
激励函数(RELU)：由于卷积也是一种线性运算，因此需要增加非线性映射。
所谓激励，实际上是对卷积层的输出结果做一次非线性映射。
　　如果不用激励函数（其实就相当于激励函数是f(x)=x），这种情况下，每一层的输出都是上一层输入的线性
函数。容易得出，无论有多少神经网络层，输出都是输入的线性组合，与没有隐层的效果是一样的，这就是最原
始的感知机了。
常用的激励函数有：